Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
DE ESCENARIOS REGIONALIZADOS
ESPAA
Manola Brunet (5), M. Jess Casado (1), Manuel de Castro (4), Pedro Galn (4), Jos A. Lpez (1), Jos M. Martn (1), Asuncin Pastor (1), Eduardo Petisco (1), Petra Ramos (2), Jaime Ribalaygua (3), Ernesto Rodrguez (1), Irene Sanz (1), Luis Torres (3)
(1) (2) (3) (4) (5) AEMET AEMET, CMT en Andaluca Occidental y Ceuta Fundacin Investigacin del Clima Universidad de Castilla La Mancha Universidad Rovira i Virgili
2009
i
Agradecimientos: Nuestro agradecimiento especial a Miguel ngel Garca Couto por sus atinadas sugerencias y por la dedicacin en la maquetacin del original que ha contribuido sustancialmente a su mejora. Queremos manifestar nuestra gratitud por los datos proporcionados a los Centros y Organizaciones: ECMWF, NCEP, Hadley Centre for Climate Prediction and Research, Max Planck Institute for Meteorology, Canadian Centre for Climate Modelling and Analysis e IPCC; a los Proyectos Europeos EMULATE, PRUDENCE, STARDEX, as como a los desarrolladores de las herramientas MAGICC-SCENGEN, R (http://www.r-project.org), SDSM (http://www.cics.uvic.ca/scenarios/sdsm/select.cgi) y grass (http://grass.itc.it).
ii
ndice
RESUMEN EJECUTIVO ............................................................................................................... 1 . ANTECEDENTES, INTRODUCCIN GENERAL Y DATOS UTILIZADOS ..................................... 1.1. Antecedentes ............................................................................................................. 1.2. Introduccin ............................................................................................................... 1.3. Metodologa ................................................................................................................ 1.3.1. Metodologa basada en downscaling ................................................................ 1.3.2. Tratamiento de las incertidumbres mediante ensembles .................................. 1.3.3. Metodologa alternativa basada en upscaling ................................................... 1.4. Datos utilizados .......................................................................................................... 2 . TENDENCIAS RECIENTES DE TEMPERATURA Y PRECIPITACIN EN ESPAA. HOMOGENEIDAD DE LAS SERIES DE PRECIPITACIN Y TEMPERATURA ................................ 2.1. Temperatura ............................................................................................................... 2.2. Precipitacin ............................................................................................................... 2.3. Estudio de la homogeneidad de las series de precipitacin y temperatura .................. 2.3.1. Series de precipitacin .................................................................................... 2.3.2. Series de temperatura .................................................................................... 3 . INCERTIDUMBRES EN LA GENERACIN DE ESCENARIOS DE CAMBIO CLIMTICO ............... 3.1. Incertidumbres en los forzamientos naturales ............................................................ 3.2. Incertidumbres en las emisiones de gases de efecto invernadero y aerosoles ............ 3.3. Incertidumbres en las concentraciones de gases de efecto invernadero ..................... 3.4. Incertidumbres en los modelos globales ..................................................................... 3.5. Incertidumbres estructurales ...................................................................................... 3.6. Incertidumbres en las tcnicas de regionalizacin ....................................................... 3.7. Efectos de la variabilidad natural ................................................................................ 3.8. Cuantificacin de las incertidumbres procedentes de distintas fuentes ........................ 3.9. Cambios abruptos ....................................................................................................... 4 . RESULTADOS DE LOS MODELOS GLOBALES ........................................................................ 4.1. Salidas directas de modelos globales .......................................................................... 4.2. Utilizacin de la herramienta MAGICC-SCENGEN. Validacin de modelos globales ....... 4.3. Evaluacin de las simulaciones de modelos climticos globales mediante una tcnica objetiva de clasificacin de tipos de tiempo ............................................................... 4.3.1. Ejemplo de validacin del modelo CGCM2 ....................................................... 4.3.2. Validacin de tipos de circulacin en el perodo 1961-1990 ............................ 4.3.3. Validacin de tipos de circulacin en el perodo 2071-2100 ............................ 4.3.4. Conclusiones ................................................................................................... 5 . DESCRIPCIN DE LAS DIFERENTES TCNICAS DE REGIONALIZACIN UTILIZADAS ........... 5.1. Regionalizacin dinmica sobre Espaa. Resultados del proyecto PRUDENCE .............. 5.1.1. Descripcin de los modelos climticos regionales y globales utilizados en PRUDENCE ...................................................................................................... 5.1.2. Descripcin de las simulaciones climticas realizadas en PRUDENCE ............... 5.2. Regionalizacin estadstica utilizando distintos mtodos empricos .............................. 5.2.1. Descripcin del mtodo de anlogos FIC ......................................................... 5.2.2. Descripcin del mtodo de anlogos INM ........................................................ 5.2.3. Descripcin del mtodo de regresin lineal SDSM ........................................... 5.2.4. Descripcin del mtodo de ndices de circulacin ............................................
iii
v 1 3 4 6 6 6 7 7
11 13 15 16 16 18 21 23 23 23 24 24 24 25 26 28 31 33 36 40 40 41 47 48 51 55 57 58 60 61 65 67 68
NDICE
6 . RESULTADOS 6.1. Cambio 6.2. Cambio 6.3. Cambio 6.4. Cambio 6.5. Cambio
DE en en en en de
PROYECCIONES REGIONALIZADAS ............................................................ 7 1 la temperatura mxima ............................................................................ 7 3 la temperatura mnima ............................................................................. 8 7 la precipitacin .......................................................................................... 9 2 otras variables proporcionadas por las simulaciones PRUDENCE ................ 1 0 2 volmenes de agua en cuencas hidrogrficas ............................................ 1 1 0
7 . RECOMENDACIONES PARA EL USO DE LAS DIFERENTES PROYECCIONES REGIONALIZADAS 1 1 3 8 . CONCLUSIONES Y DESARROLLOS FUTUROS ....................................................................... 1 1 9 ANEXOS Y REFERENCIAS .......................................................................................................... Anexo A. Catlogo de datos disponibles para estudios de impacto ...................................... Anexo B. Agregacin de las proyecciones de temperatura mxima, temperatura mnima y precipitacin por comunidades autnomas ........................................................... Anexo C. Formato de los datos de proyecciones estadsticas regionalizadas por estaciones Anexo D. Formato de los datos de proyecciones dinmicas regionalizadas PRUDENCE en forma de rejilla .................................................................................................... Referencias .......................................................................................................................... 123 125 130 149 151 153
iv
Resumen ejecutivo
El presente informe resume la primera fase del proyecto del Instituto Nacional de Meteorologa (INM), actualmente Agencia Estatal de Meteorologa (AEMet), de generacin de proyecciones regionalizadas de cambio climtico para suministrar a los diferentes sectores sensibles a las condiciones climticas. En esta fase prim la urgencia de proporcionar unas primeras estimaciones de la evolucin del clima en el siglo XXI con resoluciones temporales y espaciales que pudieran ser tiles para los diferentes modelos de impacto. Esta necesidad motiv que se utilizasen tanto las bases de datos ya disponibles como los mtodos suficientemente probados en otros contextos y que no se abordasen largos desarrollos que pudiesen retrasar la disponibilidad de este primer suministro de datos de proyecciones regionalizadas. Este informe tiene el carcter de documento de acompaamiento de los datos, en el que adems de explicar los mtodos de generacin de los datos, se explican sus limitaciones en un contexto lo ms amplio posible. Dentro de estas explicaciones se han incluido secciones dedicadas a describir las incertidumbres del proceso de generacin de proyecciones climticas y secciones dedicadas a discutir cuestiones metodolgicas. Esta es la primera entrega de un proceso continuo de revisin peridica de las proyecciones regionales con los mejores datos procedentes de modelos globales, las mejores observaciones y las mejores tcnicas de regionalizacin. La segunda fase del proyecto busca involucrar a la mayor parte de la comunidad cientfica espaola activa en este campo. En esta segunda fase ya no es tan prioritaria la inmediatez de los resultados como el desarrollo de nuevos mtodos y la apuesta decidida por una investigacin de calidad que respalde las proyecciones climticas futuras con una mayor comprensin de las condiciones climticas presentes y pasadas.
vi
1.1. ANTECEDENTES
El Plan Nacional de Adaptacin al Cambio Climtico (PNACC) del Ministerio de Medio Ambiente (MMA) publicado en 2006 establece el marco general de referencia para las actividades de evaluacin de impactos, vulnerabilidad y adaptacin al cambio climtico. El conocimiento detallado de las condiciones climticas actuales y la estimacin de las proyecciones climticas en nuestro pas son elementos imprescindibles para la puesta en funcionamiento del PNACC. Este conocimiento constituye el sustrato a partir del cual se desarrolla el Plan en su conjunto. La generacin de proyecciones climticas es un elemento crucial en este proceso analtico y debe ser consistente con el marco general proporcionado por el informe especial sobre escenarios de emisiones elaborado por el IPCC (Special Report on Emission Scenarios (SRES), (NAKICENOVIC et al., 2000)) y con los informes de evaluacin mismos del IPCC (2001, 2007) (http://www.ipcc.ch/pub/reports.htm). La herramienta bsica para realizar estimaciones de proyecciones climticas son los modelos de circulacin general acoplados ocano-atmsfera (AOGCM, de las siglas en ingls) que se desarrollan en un nmero reducido de centros internacionales de investigacin climtica. Estos modelos proporcionan las caractersticas a grandes rasgos de las proyecciones climticas, pero la escasa resolucin espacial de las proyecciones las hace poco tiles para ser utilizadas por los distintos tipos de modelos de impacto. Por este motivo es necesario aplicar tcnicas de regionalizacin a las proyecciones generadas por los AOGCM para aumentar su resolucin espacial. En el Primer Programa de Trabajo (2006) del PNACC se seleccionaron las primeras actividades a realizar enumerndose en primer lugar la generacin de escenarios climticos regionales para Espaa. Asimismo, se identific al INM como el organismo encargado de coordinar esta tarea. Los objetivos que el Primer Programa de Trabajo asign al INM fueron: Desarrollar, documentar y poner a disposicin del PNACC escenarios de cambio climtico para Espaa a la escala adecuada para su utilizacin por la comunidad de impactos. Poner en funcionamiento un mecanismo de generacin operativa y actualizacin de escenarios regionales de cambio climtico para Espaa, que alimente de forma peridica al PNACC. Esto implica, por parte de INM, tanto el desarrollo de un trabajo propio como de una labor de coordinacin con los restantes organismos e instituciones activos en este campo, con objeto de tomar en consideracin todas las iniciativas que se llevan a cabo en Espaa. El INM ha articulado esta tarea mediante un proyecto que consta de dos fases. En una primera fase, cuya duracin ha sido de un ao, se han utilizado fundamentalmente las tcnicas de regionalizacin ya desarrolladas y las bases de datos actualmente existentes. Tambin se ha hecho uso de resultados provenientes de los proyectos del 5. Programa Marco de la Unin Europea (FP5 EU) relacionados con modelizacin climtica, regionalizacin dinmica y estadstica y estimacin de extremos. Este informe corresponde esencialmente a la primera fase. Para la realizacin de esta primera fase el INM ha contado, aparte de con sus propios recursos, con la colaboracin de la Universidad de Castilla-La Mancha (UCLM) y la Fundacin para la Investigacin del Clima (FIC). En una segunda fase, se proceder a desarrollar nuevos mtodos relacionados fundamentalmente con la regionalizacin dinmica, y formar un grupo de trabajo en el INM especializado en modelizacin climtica que permita, a medio plazo, desarrollar mtodos especficamente adaptados a las caractersticas de nuestra rea de inters. En esta segunda fase, se intentar, asimismo, incorporar a los grupos universitarios nacionales que trabajan en este campo, ya que su experiencia de trabajo y los resultados por ellos obtenidos hasta el momento son de indudable inters para alcanzar los objetivos del proyecto. Para facilitar esta cooperacin, se convocaron unas jornadas sobre Escenarios de cambio climtico regionalizados los das 30 y 31 de marzo de 2006 en el saln de actos del MMA. A estas jornadas fueron invitados todos aquellos investigadores cuya actividad pasada, actual o planificada para el futuro prximo se haba identificado como relevante para el tema de las jornadas. Las jornadas constaron de tres partes claramente diferenciadas: (i) una parte de presentaciones breves que des3
criban la actividad de los diferentes grupos en temas relacionados con proyecciones regionales de cambio climtico, (ii) una segunda parte dedicada a discutir en mesa redonda las necesidades de algunos de los diferentes sectores en los estudios de impacto y, (iii) una tercera parte de debate en la que se discutieron las posibles formas de colaboracin de los grupos activos en escenarios regionalizados y temas afines. En la parte de discusin, se trat de identificar las necesidades y posibles obstculos a una abierta colaboracin entre el INM y los grupos de la comunidad investigadora. Tambin se discuti el alcance y los posibles formatos de colaboracin. Finalmente, se encarg a una comisin de redaccin la elaboracin de un documento de consenso que propondra un plan de trabajo integrado al MMA para el tema de escenarios regionalizados de cambio climtico. Un borrador del documento se distribuy a un amplio sector cientfico relacionado con el tema con el fin de incorporar nuevos comentarios, modificaciones y mejoras. La versin final del documento se present el 2 de noviembre de 2006 al Secretario General para la Prevencin de la Contaminacin y del Cambio Climtico. Mientras que la primera fase del proyecto se centra fundamentalmente en la generacin urgente de una primera estimacin de datos de escenarios regionalizados de cambio climtico para suministrar a los diferentes sectores, la segunda fase pretende crear un grupo slido cuya finalidad no sea solamente la explotacin de las diferentes tcnicas de regionalizacin, sino que tambin contribuya mediante su participacin en proyectos nacionales e internacionales al desarrollo terico de este campo.
1.2. INTRODUCCIN
El presente informe es el documento de acompaamiento a la primera coleccin de proyecciones regionalizadas de cambio climtico sobre Espaa presentado por el INM para su utilizacin por los usuarios de las comunidades de impactos y adaptacin. La coleccin de proyecciones regionalizadas intenta, en una primera aproximacin, cuantificar algunas de las incertidumbres inherentes al proceso mismo de generacin de las mismas, explorando diferentes escenarios de emisin de gases de efecto invernadero (GEI), diferentes modelos globales y diferentes tcnicas de regionalizacin. Esta primera entrega de datos de proyecciones pretende ser el punto de partida de un flujo continuo de datos para la comunidad de impactos, que se irn revisando y refinando sucesivamente mediante la utilizacin de los resultados ms recientes de integraciones globales y la incorporacin de nuevas tcnicas de regionalizacin. Las diferentes proyecciones regionalizadas de cambio climtico que se presentan en el actual documento estn basadas en distintos escenarios de emisin, distintos modelos globales y distintas tcnicas de regionalizacin, de forma que los usuarios puedan utilizar una coleccin de proyecciones como datos de entrada a sus modelos de impactos y de esta forma evaluar los rangos de incertidumbres de las variables utilizadas para cuantificar los impactos. El nmero de proyecciones que aqu se presenta es todava bastante modesto como para representar fiablemente las incertidumbres que afectan a las proyecciones de cambio climtico. Ahora bien, las distintas proyecciones permiten evaluar la sensibilidad de las estimaciones frente a cambios en las emisiones, en los modelos globales y en las tcnicas de regionalizacin. No se ha hecho por el momento ningn intento de asignar probabilidades a los distintos miembros de la coleccin de proyecciones por varias razones. En primer lugar, este tema est actualmente en desarrollo y no existe una metodologa generalmente admitida para ponderar las contribuciones de los diferentes miembros de un ensemble. En segundo lugar, en este documento se presentan resultados procedentes de distintos mtodos dinmicos y empricos que proporcionan salidas en distintos formatos puntos de rejilla y observatorios que no pueden mezclarse, al menos de una forma sencilla. En tercer lugar, las proyecciones en forma probabilstica que se obtendran al ponderar los distintos miembros de un ensemble no suelen encontrar fcil utilizacin por parte de muchos usuarios del mundo de los impactos, de hecho la mayor parte de los usuarios siguen demandando proyecciones no probabilsticas. Por ltimo, al intentar atender la demanda de los diferentes sectores de impacto, se ha percibido una necesidad de informacin que abarca una gran variedad de escalas temporales y espaciales, variables y formatos de presentacin. En un intento de satisfacer a los primeros sectores contemplados en el plan, se ha optado por una va pragmtica consistente en generar datos con escala temporal diaria tanto en formato de rejilla como
4
INTRODUCCIN
sobre los observatorios. De hecho algunos de los mtodos aqu presentados estaban inicialmente diseados tanto para rejillas como para observatorios, y se ha respetado en ambos casos el diseo inicial de los mismos. En cualquier caso, para el paso de los datos de puntos distribuidos irregularmente (observatorios) a rejillas regulares existen diversas tcnicas de interpolacin que dependen de la variable particular de la que se trate, mientras que el paso inverso (de rejillas a observatorios) requerira de algn algoritmo adicional de regionalizacin. El informe pone especial nfasis en el estudio y cuantificacin de las incertidumbres asociadas a las proyecciones de cambio climtico, incertidumbres que varan segn las variables, las regiones del globo y las escalas temporales y espaciales consideradas. La coincidencia de resultados o tendencias obtenidos por los diferentes escenarios, modelos y regionalizaciones son considerados como un ndice de la robustez y fiabilidad de las estimaciones de las proyecciones. Por el contrario, la falta de coincidencia se asocia con alta incertidumbre y, por lo tanto, con estimaciones de poca fiabilidad. Es importante insistir en que la coleccin de resultados que aqu se presentan no constituye un ensemble de proyecciones (en el sentido que se define, por ejemplo, en el proyecto ENSEMBLES del 6. Programa Marco de la Unin Europea (FP6 EU)) por varias razones. En primer lugar, por el escaso nmero de proyecciones regionalizadas que lgicamente no barre razonablemente todo el posible rango de incertidumbres y, en segn lugar, porque no se ha hecho ningn intento de generar miembros directamente comparables y con los mismos formatos. Esta coleccin de proyecciones constituye una mejora respecto al procedimiento muy utilizado de presentar una nica regionalizacin a partir de un nico modelo global. Se ha de tener presente que la finalidad ltima de este proyecto, que se pretende alcanzar en la segunda fase, es la de llegar a disponer de proyecciones probabilsticas a partir de un ensemble con un nmero suficiente de miembros que cubran razonablemente las fuentes de incertidumbre susceptibles de ser tratadas por este mtodo. Aqu se describen tanto resultados calculados ex profeso para este documento como resultados recientemente generados en proyectos europeos relevantes para este tema y que complementan la informacin existente sobre proyecciones regionalizadas de cambio climtico. En este sentido, la base de datos generada hace uso de 5 modelos globales, 10 modelos regionales de clima (RCM) y 4 tcnicas de regionalizacin empricas, as como de 2 escenarios de emisin. La base de datos permite una razonable capacidad de exploracin de las tendencias para el clima en el siglo XXI y de sus incertidumbres. Los datos generados para todo el siglo XXI tienen una frecuencia diaria lo que permitir su utilizacin por amplios sectores de usuarios. Asimismo esta frecuencia de los datos suministrados permitir explorar la evolucin de distintas escalas temporales y las tendencias, especialmente interesantes, de los valores extremos. El informe se ha limitado a presentar los valores medios del cambio de ciertas variables que describen el clima en diferentes ventanas temporales y a comparar muy someramente los resultados obtenidos por las diferentes vas para enfatizar las incertidumbres de las proyecciones. Queda por hacer una explotacin exhaustiva de los resultados, que se realizar en los prximos meses, para determinar cambios relevantes del clima asociados no a los valores medios sino a momentos de orden superior tales como cambios en frecuencias de olas de calor, tendencias en los extremos, cambios en la variabilidad en distintas escalas temporales, etc. Asimismo, las validaciones que se han realizado en su inmensa mayora aparecern descritas en otros textos que se irn publicando en los prximos meses. El informe incluye tambin una introduccin donde se describen las tendencias recientes observadas en el clima de Espaa, se discuten las distintas incertidumbres que afectan a las proyecciones regionalizadas de cambio climtico y la metodologa y las validaciones seguidas tanto en este informe como en los trabajos que se realizarn en un futuro prximo. Se describen con cierto detalle los mtodos de regionalizacin y los datos externos utilizados. Se ha incluido, por completitud, un captulo dedicado a los modelos globales que constituyen, en definitiva, la herramienta bsica para estimar las proyecciones de cambio climtico a escala de circulacin general. Finalmente, se han incluido unas recomendaciones de uso, as como unas pinceladas de los desarrollos futuros principalmente tomadas del documento que describe el programa coordinado1 que pretende ser una propuesta de organizacin para la segunda fase. Algn material bsico de tipo general e introductorio que se ha incluido en este informe tambin procede de dicho documento ya que ambos estn muy interrelacionados. Tambin se incluyen anexos donde se enumeran los datos generados as como sus formatos.
1
Programa coordinado para generacin de escenarios regionalizados de cambio climtico (MMA, noviembre 2006).
1.3. METODOLOGA
En esta seccin se discuten las bases metodolgicas de las estimaciones de proyecciones regionalizadas de cambio climtico. En primer lugar, se presenta como hiptesis de partida el hecho de que los fenmenos a escala pequea se fundamentan en las grandes escalas que son las que realmente se predicen con los modelos globales. En segundo lugar, se establece un enfoque probabilstico para explorar el efecto de las diferentes incertidumbres que afectan al proceso de generacin de proyecciones climticas. Finalmente, se presenta el enfoque alternativo al downscaling que considera las posibles retroalimentaciones desde las escalas pequeas a las escalas grandes.
DATOS UTILIZADOS
Esta metodologa de prediccin por conjuntos, que se ha impuesto en la ltima dcada para la prediccin probabilstica, es la que se pretende adoptar en la segunda parte de este proyecto y que muy parcialmente se explora en esta primera parte. El referente internacional actual de este tipo de aproximacin probabilstica al cambio climtico lo constituye el proyecto integrado ENSEMBLES (http://www.ensembleseu.org/) (del 6. Programa marco de la UE) que se desarrolla entre los aos 2005-2009, y que tiene entre otros objetivos el de acotar las incertidumbres en las predicciones seculares de cambio climtico mediante integraciones con diferentes escenarios de emisin, diferentes modelos globales, diferentes modelos regionales y diferentes tcnicas estadsticas de regionalizacin, proporcionando tambin mtodos de pesado y de combinacin (por ejemplo, mtodos estadsticos bayesianos) para aglutinar los distintos resultados individuales en una nica prediccin probabilstica ms robusta que las basadas en un nico modelo global y en una nica tcnica de regionalizacin. Es importante mencionar que aunque la prediccin por conjuntos proporciona un amplio rango de posibilidades de evolucin del sistema que puede estudiarse desde un punto de vista probabilstico, no explora necesariamente todas las fuentes posibles de incertidumbre, como es el caso mencionado de las incertidumbres estructurales. La gran complejidad y magnitud de la tarea de estimar proyecciones de cambio climtico regionalizadas utilizando un enfoque probabilstico basado en ensembles apenas se explora en esta primera fase y se completar en la segunda fase en la que est previsto movilizar la gran cantidad de recursos necesarios para afrontar esta tarea.
y 300 km, y aproximadamente el doble (la mitad del tamao de la malla) para el ocano, con el fin de poder resolver la dinmica de corrientes ocenicas. En ambos casos la resolucin vertical suele ser de unos 20 niveles. Esta separacin de puntos de red est limitada con frecuencia por la disponibilidad de recursos computacionales. Las pocas decenas de AOGCM (vase (IPCC-TAR, 2001) y (IPCC-AR4, 2007)) actualmente existentes proporcionan proyecciones de la evolucin del clima con poca resolucin espacial consecuencia de las limitaciones computacionales y, por tanto, solamente permiten hacer estimaciones de la evolucin sobre grandes regiones de la Tierra, p. ej., norte de Europa, rea mediterrnea. Los AOGCM constituyen la principal herramienta con capacidad predictiva de las que se dispone para estimar la evolucin del sistema climtico. Adems, esta evolucin est condicionada por el comportamiento humano, es decir, por las emisiones de gases de efecto invernadero, las emisiones de aerosoles, los cambios de uso de suelo, el modelo energtico, la demografa, etc. Como la evolucin socioeconmica no est regida por las leyes fsicas se recurre a una coleccin de escenarios alternativos de emisiones que tienen en cuenta todos los efectos anteriores en la confianza de que la evolucin futura de la sociedad siga alguno de los patrones considerados en dicha coleccin. Los AOGCM se integran con los diferentes escenarios de emisiones (NAKICENOVIC et al., 2000) y proporcionan proyecciones de la evolucin del clima en los supuestos de los diferentes escenarios de emisiones contemplados. De entre todas las simulaciones realizadas con los AOGCM disponibles slo se han seleccionado aquellas que disponan de dato diario. Se han utilizado fundamentalmente simulaciones realizadas en el contexto del Tercer Informe de Evaluacin (TAR) del IPCC (IPCC-TAR, 2001), por diferentes razones que merece la pena comentar. En primer lugar, cuando se plante este trabajo todava no estaban disponibles las simulaciones del AR4, al menos con la resolucin temporal que se requera. En segundo lugar, se quera hacer un trabajo de regionalizacin con los modelos suficientemente y ampliamente difundidos del TAR. En tercer y ltimo lugar, si bien los mtodos de regionalizacin estadstica tienen en general pocas exigencias de clculo, no sucede lo mismo con los mtodos basados en modelos regionales del clima (RCM). En consecuencia, realizar simulaciones con RCM requiere tiempo sobre todo si se pretende simular perodos superiores a un siglo y adems se requiere un conjunto de simulaciones para estimar las proyecciones mediante ensembles. Como la utilizacin de RCM requiere movilizar muchos recursos en un perodo dilatado de tiempo se ha optado por utilizar los resultados del experimento PRUDENCE (Prediction of Regional scenarios and Uncertainties for Defining EuropeaN Climate change risks and Effects, EU 5th Framework Project), basado en resultados de modelos globales del TAR, que ha realizado una estimacin de proyecciones de cambio climtico sobre la regin europea utilizando nueve RCM pero nicamente para el ltimo tercio del siglo XXI. Las simulaciones de PRUDENCE adems han constituido la base de las proyecciones para Europa que aparecen recogidas en el AR4 del IPCC.
Modelos globales 2 Mtodos empricos Analog(FIC) Analog(INM) SDSM ndices A2, B2 ECHAM4 A2, B2 A2, B2 A2,B2 A2 A2, B2 IS92a HadCM3 HadAM3H A2, B2 A2 CGCM2 A2, B2 A2, B2 IS92a HadCM2SUL
Tabla 1.1. Proyecciones regionalizadas con los mtodos estadsticos utilizados. Los datos diarios de las proyecciones se refieren al perodo 2011-2100 y el perodo de control al perodo 1961-1990, y a las variables: precipitacin, temperatura mxima y temperatura mnima. Los mtodos Analog(FIC) y SDSM presentan los resultados en las estaciones, mientras que el mtodo Analog(INM) presenta los resultados en una rejilla regular de 50 km. El mtodo de ndices proporciona datos mensuales de volumen de agua por cuencas hidrogrficas.
Los modelos globales utilizados son HadAM3H (modelo atmosfrico del Centro Hadley (RU), versin 3), ECHAM4-OPYC (modelo acoplado atmsfera-ocano del Instituto Max Planck de Meteorologa (Alemania), versin 4), CGCM2 (modelo acoplado atmsfera-ocano del Centro Canadiense del Clima, versin 2), HadCM3 (modelo acoplado atmsfera-ocano del Centro Hadley (RU), versin 3), HadCM2SUL (modelo acoplado atmsfera-ocano del Centro Hadley (RU), versin 2). Para el caso particular del archipilago canario se han utilizado los modelos HadCM3 y CGCM1 con el mtodo SDSM.
DATOS UTILIZADOS
La tabla 1.1 resume los modelos globales que se han utilizado para aplicar las distintas regionalizaciones empricas. La tabla 1.2 resume los modelos regionales que se han utilizado en el proyecto PRUDENCE. Para su uso en este contexto de generar escenarios regionalizados para la comunidad nacional de impactos del cambio climtico se ha procedido a la extraccin e interpolacin a una rejilla comn a partir de la base de datos PRUDENCE. Este subconjunto de datos est diseado para su utilizacin en las proyecciones regionales sobre Espaa conjuntamente con las proyecciones que utilizan algoritmos empricos.
Modelos Anidamiento en HadAM3H Anidamiento en ECHAM4 regionales Control A2 B2 Control A2 B2 CNRM DMI ETH GKSS HC ICTP KNMI MPI SMHI UCM
Tabla 1.2. Proyecciones regionalizadas basadas en modelos regionales del clima procedentes del proyecto PRUDENCE. Las simulaciones realizadas por cada modelo regional se identifican por el centro o instituto donde se ha desarrollado.
A2, B2 A2, B2 A2 A2 A2 A2, B2 A2 A2 A2, B2 A2, B2 A2, B2 A2, B2 ECHAM4 HadCM3 CGCM2 ECHAM4 HadCM3
RCM
SDSM-INM
An-FIC
An-INM
HadAM3
Figura 1.1. Esquema de las proyecciones regionalizadas incluidas y descritas en este informe tanto por mtodos dinmicos (basados en RCM) como por mtodos empricos (SDS). Los RCM se identifican por el centro en el que se ha desarrollado el modelo regional respectivo. La columna de la derecha identifica los modelos globales utilizados por cada mtodo de regionalizacin. En el caso de RCM, se refiere a las condiciones de contorno. Sobre las flechas se incluye informacin del escenario de emisin utilizado por cada mtodo o modelo regional. El eje de abscisas se refiere al intervalo temporal. El perodo 1961-1990 corresponde a las integraciones de control en el caso de RCM y a la calibracin y validacin en el caso de los mtodos empricos.
La figura 1.1 resume las proyecciones climticas incluidas en este informe. Por un lado, las proyecciones procedentes de los modelos regionales participantes en PRUDENCE que solamente abarcan el perodo 2071-2100 y que utilizan dos modelos globales como condiciones de contorno (HadAM3H y ECHAM4-OPYC). Para estas proyecciones, aparte de las variables de precipitacin y temperatura, se han incluido en la base de datos otras variables de superficie fundamentalmente relacionadas con los flujos de energa y agua. Por otro lado, las proyecciones basadas en diferentes tcnicas empricas, que regionalizan una coleccin de modelos globales, solamente suministran proyecciones de precipitacin, temperatura mxima y temperatura mnima. En la figura aparecen claramente los intervalos temporales y los escenarios de emisin que se han aplicado. Se ha utilizado tambin una tcnica de regionalizacin basada en ndices de circulacin que estima volmenes de precipitacin en cuencas hidrogrficas, que no se incluye en este grfico por ser muy diferentes las variables finales de las suministradas por el resto de los mtodos. Todas las proyecciones proporcionan dato diario en sus intervalos respectivos. En la parte de datos de observacin se ha utilizado la base de datos termopluviomtrica del INM fundamentalmente para aplicar los mtodos empricos de regionalizacin. Estos datos se han utilizado de distinta manera segn el mtodo aplicado: (i) sobre datos de observatorios; (ii) sobre datos interpolados a una rejilla regular; (iii) sobre volmenes de precipitacin para cuencas hidrogrficas. Se ha partido de un nmero de estaciones de 1 967 y 9 052, para temperatura (mxima y mnima) y precipitacin diaria, respectivamente, a la que se han aplicado sucesivos filtrados relativos a completitud (ms de 19 aos con dato anual) de las series que han reducido las estaciones a 782 y 2 821 para temperatura y precipitacin, respectivamente. A continuacin se han aplicado filtrado de homogeneidad con los tests SNHT de Alexandersson (ALEXANDERSSON, 1986) y de Wald-Wolfowitz (SNEYERS, 1966) para precipitacin y el test de Mann para las temperaturas, que han reducido a su vez el nmero de estaciones a 373 y 2 326, para temperatura (mxima, mnima) y precipitacin, respectivamente. Sobre esta lista final de estaciones que cubre razonablemente bien el territorio nacional se han calculado las proyecciones de cambio climtico.
10
2. Tendencias recientes de temperatura y precipitacin en Espaa. Homogeneidad de las series de precipitacin y temperatura
2.1. Temperatura 2.2. Precipitacin 2.3. Estudio de la homogeneidad de las series de precipitacin y temperatura 2.3.1. Series de precipitacin 2.3.2. Series de temperatura
11
12
Este informe se restringir a las tendencias recientes de las variables temperatura y precipitacin, ya que son estas variables para las que se han estimado las proyecciones regionalizadas de cambio climtico para el siglo XXI mediante algoritmos empricos y haciendo uso de las series de temperatura y precipitacin de la base de datos del INM. Estas tendencias, si bien se restringen a un perodo instrumental, permiten situar en un contexto adecuado las proyecciones futuras de ambas variables. Adems, se incluye una descripcin del control de calidad de las series utilizadas basado en el estudio de la homogeneidad de las mismas.
2.1. TEMPERATURA
En el marco del proyecto europeo EMULATE (European and North Atlantic daily to MULtidecadal climATE variability, http://www.cru.uea.ac.uk/cru/projects/emulate), BRUNET et al. (2006) desarrollaron la base de datos ajustados a la escala diaria denominada Spanish Daily Adjusted Temperature Series (SDATS), la cual est compuesta por las 22 series ms largas y fiables de las temperaturas medias (Tmed), mximas (Tmax) y mnimas (Tmin) diarias espaolas cubriendo el perodo 1850-2005. Con estos registros se han analizado las variaciones y tendencias de la temperatura del aire en la Espaa peninsular (BRUNET et al., 2007) mediante la creacin de las correspondientes curvas regionales, a partir de la metodologa propuesta por JONES y HULME (1996) de interpolacin espacial ponderada y de separacin de la temperatura en sus dos componentes bsicas (la climatologa y la anomala). Como se aprecia en la tabla 2.1 y en la figura 2.1, la temperatura del aire en la Espaa peninsular ha mostrado indudables signos de calentamiento a lo largo del perodo instrumental (1850-2005), habindose estimado de moderadas a altas tasas de incremento trmico en comparacin con las estimadas a mayores escalas espaciales (JONES y MOBERG, 2003). De la inspeccin de la figura 2.1 y de la tabla 2.1, se desprende que la evolucin trmica no presenta un comportamiento montono ni gradual hacia el calentamiento en el conjunto del perodo analizado, ya que se pueden observar diferentes episodios de incremento (de inicios del s. XX a su mitad y de 1973 en adelante) y decremento (de 1950 a 1970) de las temperaturas, conduciendo respectivamente a fases clidas (la centrada en la dcada de 1940) y fras (las dcadas de 1880 y 1970). De los tres subperodos identificados durante el s. XX, destaca el fuerte, abrupto y sin precedente calentamiento observado a partir de 1973 y que todava se mantiene en el presente. Adems, solo para los episodios de calentamiento, las tendencias estimadas alcanzan los niveles de significacin adoptados (al 0,05 y superior). Durante el perodo 1901-1949, el calentamiento anual estuvo ligeramente ms influido por los incrementos en las estaciones equinocciales, seguidas del verano. Asimismo, fueron las temperaturas diurnas (Tmax) las que contribuyeron ms claramente al calentamiento de la primera mitad del s. XX (tabla 2.1). El corto perodo de cada trmica identificado entre 1950 y 1972, registrado asimismo a ms grandes escalas espaciales (JONES y MOBERG, 2003), no presenta tendencias significativas en ninguna de las tres variables diarias, siendo la primavera y verano las estaciones del ao que ms contribuyeron a la disminucin de los promedios anuales, mientras que los inviernos no contribuyeron a ese enfriamiento. Para el reciente episodio de calentamiento acelerado (1973-2005), se han estimado las ms altas tasas de cambio entre el conjunto de perodos analizados, llegando a casi cuadruplicar el incremento trmico estimado a largo plazo (tanto para 1850-2005 como para 1901-2005) y casi a duplicar las tasas calculadas para la fase inicial de calentamiento del s. XX. El incremento de temperatura anual ha sido principalmente el resultado del ascenso trmico observado en las primaveras y veranos. Finalmente, el incremento de las Tmed se debe a las mayores tasas de cambio estimadas para las Tmax en comparacin con las calculadas para las Tmin durante 1850-2005 (1901-2005). Ello es indicativo de que las temperaturas diurnas se han incrementado ms rpidamente que las temperaturas nocturnas, especialmente durante el s. XX. A este calentamiento diferencial diario han contribuido particularmente los incrementos ms notables de las estaciones equinocciales y del invierno durante 1850-2005.
13
Perodos
1850-2005
1901-2005
1901-1949
1950-1972
1973-2005
Temperaturas medias diarias Anual Invierno Primavera Verano Otoo 0,10 (0,08/0,12) 0,10 (0,07/0,14) 0,08 (0,05/0,12) 0,09 (0,06/0,11) 0,10 (0,07/0,13) 0,13 (0,10/0,16) 0,14 (0,08/0,20) 0,12 (0,06/0,17) 0,13 (0,08/0,18) 0,12 (0,08/0,17) 0,22 (0,11/0,31) 0,10 (0,08/0,32) 0,25 (0,06/0,43) 0,23 (0,07/0,38) 0,26 (0,09/0,42) 0,19 (0,53/0,12) 0,11 (0,58/0,68) 0,52 (1,03/0,05) 0,29 (0,71/0,13) 0,08 (0,57/0,53) 0,48 (0,36/0,66) 0,27 (0,09/0,56) 0,77 (0,54/0,97) 0,67 (0,41/0,92) 0,29 (0,02/0,58)
Temperaturas mximas diarias Anual Invierno Primavera Verano Otoo 0,11 (0,09/0,14) 0,12 (0,09/0,15) 0,11 (0,06/0,15) 0,10 (0,06/0,13) 0,12 (0,09/0,15) 0,17 (0,13/0,21) 0,16 (0,10/0,21) 0,17 (0,11/0,23) 0,18 (0,12/0,24) 0,17 (0,10/0,22) 0,37 (0,25/0,46) 0,18 (0,02/0,36) 0,37 (0,16/0,60) 0,44 (0,27/0,64) 0,44 (0,26/0,64) 0,28 (0,74/0,16) 0,04 (0,61/0,62) 0,62 (1,38/0,09) 0,30 (0,88/0,17) 0,12 (0,84/0,70) 0,51 (0,34/0,66) 0,35 (0,06/0,60) 0,82 (0,53/1,15) 0,73 (0,43/1,04) 0,13 (-0,17/0,47)
Temperaturas mnimas diarias Anual Invierno Primavera Verano Otoo 0,08 (0,06/0,10) 0,09 (0,06/0,13) 0,07 (0,04/0,09) 0,08 (0,05/0,10) 0,08 (0,05/0,11) 0,09 (0,06/0,12) 0,12 (0,05/0,19) 0,08 (0,03/0,13) 0,09 (0,04/0,13) 0,08 (0,04/0,13) 0,08 (0,02/0,18) 0,06 (0,15/0,24) 0,15 (0,01/0,31) 0,00 (0,13/0,14) 0,09 (0,06/0,25) 0,13 (0,51/0,14) 0,15 (0,56/0,78) 0,19 (0,72/0,29) 0,26 (0,60/0,08) 0,13 (0,41/0,33) 0,47 (0,31/0,65) 0,06 (0,28/0,62) 0,66 (0,46/0,84) 0,62 (0,38/0,93) 0,43 (0,18/0,77)
Tabla 2.1. Tendencias anuales y estacionales de las temperaturas diarias (en C/dcada) junto a sus intervalos de confianza al 95% calculadas para diversos perodos. En negrita (itlica) coeficientes significativos al 1% (5%).
Para el perodo 1980-2006 se ha elaborado en el INM (Servicio de Desarrollos Climatolgicos) una serie de temperatura media anual de la Espaa peninsular y Baleares (a partir de los datos de unas 40 estaciones). Esta serie muestra una tendencia creciente de 3,7C/100 aos. Los cinco aos ms clidos han sido, con la temperatura media estimada entre parntesis: 2006 (15,87C), 1995 (15,81C), 1997 (15,75C), 2003 (15,73C) y 1989 (15,65C).
14
PRECIPITACIN
Figura 2.1. Variaciones interanuales (18502005) de las anomalas promedio anual de las temperaturas medias (panel superior), mximas (panel intermedio) y mnimas (panel inferior) diarias (columnas en negro), suavizadas por un filtro gausiano de 13-trminos (lnea gris).
1875
1900
1925
1950
1975
2000
2.2. PRECIPITACIN
La tendencia de la precipitacin no muestra un comportamiento tan definido como la temperatura. La tendencia a la disminucin de los totales pluviomtricos en latitudes subtropicales apuntada en el tercer informe del IPCC (IPCC, 2001) no resulta de fcil verificacin en el caso de Espaa, dada la complejidad de la distribucin espacial de la precipitacin, no solo en su cuanta, sino tambin en su reparto estacional y en su concentracin temporal, lo que obliga al empleo de un nmero considerable de series climticas, en pocos casos disponibles con la necesaria longitud. De hecho, no existe un estudio exhaustivo que permita cubrir a una resolucin espacial detallada el conjunto del pas. Adems, la elevada variabilidad temporal de la precipitacin en buena parte de Espaa, inherente a su condicin mediterrnea, exige series largas, preferiblemente centenarias (CASTRO et al., 2005). La mayora de los estudios mencionados en CASTRO et al. (2005) no muestran tendencias significativas, sobre todo referidas a patrones areales. Cuando se utilizan las series pluviomtricas anuales ms largas de la Pennsula Ibrica, que comienzan en el siglo XIX (Gibraltar, a finales del XVIII, 1791), tampoco se muestran tendencias significativas, a excepcin de algunas meridionales (Gibraltar, San Fernando) con tendencia estadsticamente significativa a la baja (WHEELER y MARTN-VIDE, 1992; QUEREDA y MONTN, 1997). Una investigacin sobre las 53 series pluviomtricas anuales ms largas disponibles hasta 1990 dio como resultado un mapa carente de una tendencia definida en la zona central; un cierto apunte al alza en el norte y noroeste peninsular; y una tendencia decreciente en el sur y el sureste peninsular (MILIN, 1996). Tambin en otro anlisis sobre 40 observatorios peninsulares y de Baleares, durante el perodo 1880-1992, se aprecia el comportamiento diferenciado entre la franja nortea ibrica, con tendencia al alza, y el interior y la fachada mediterrnea, a la baja (ESTEBAN-PARRA et al., 1998).
15
Cuando el anlisis se refiere al ltimo tercio del siglo XX se aprecia una reduccin significativa de la cantidad de precipitacin en algunas comarcas y rejillas que cubren la Espaa peninsular y Baleares, tales como las partes oriental y pirenaica de la cuenca del Ebro (ABAURREA et al., 2002), el sur de la Espaa peninsular (R ODRIGO et al., 1999), la Comunidad Valenciana (D E LUIS et al., 2000) y otros recogidos en CASTRO et al. (2005).
700 600 500 400 300 200 100 0 2 3 4 5 6-10 11-15 16-20 21-30 > 30
Figura 2.2. Histograma del nmero de estaciones de referencia para los tests de homogeneidad de precipitacin.
16
Los tests utilizados han sido el SNHT (Standard normal homogeneity test, tambin conocido en climatologa como test de Alexandersson) y el test de Wald-Wolfowitz. El SNHT (ALEXANDERSSON, 1986) es un test paramtrico diseado para contrastar la presencia de saltos en la serie, aunque tambin puede detectar tendencias. El segundo test, el de Wald-Wolfowitz (SNEYERS, 1966) es un test no paramtrico de correlacin serial. Puede detectar la presencia de cualquier componente de baja frecuencia en la serie, tal como tendencia o autocorrelacin de retardo bajo (de ah su nombre). Al ser no paramtrico es un test de amplio espectro, que cabe pensar que se combina bien con un test ms especfico como el SNHT. El resultado de aplicar ambos tests a las 2 821 series fue el siguiente: i) ii) iii) iv) Un Un Un Un 58,9% de las series son homogneas al 5% para los dos tests 16,4% de las serie son inhomogneas al 5% para el SNHT 7,2% de las series son inhomogneas al 5% para el test de Wald-Wolfowitz 17,5% de las series son inhomogneas al 5% para los dos tests
Como muestra la figura 2.3, dentro de las estaciones inhomogneas para el SNHT algunas alcanzan valores muy altos del estadstico, lo que es seal de clara inhomogeneidad.
0,8
0,6
0,4
0,2
10
15
20
25
30
Figura 2.3. Funcin de distribucin del estadstico del test SNHT. La probabilidad acumulada se muestra en ordenadas, el estadstico en abscisas y la lnea vertical marca el valor crtico del estadstico.
Otra forma de valorar el alcance del problema es considerar las razones correctoras para las series no homogneas segn el SNHT. Esta razn correctora es el factor que habra que aplicar a la parte anterior a la ruptura detectada por el SNHT para homogeneizar la serie. El histograma de estas razones correctoras se representa en la figura 2.4. Vemos que para una gran mayora de series las razones correctoras se desvan en ms de un 10% de la unidad, y para casi un 50% de estas estaciones la razn correctora se desva en ms de un 20% de la unidad. Esto es claramente inaceptable, puesto que un error de ms de un 20% en precipitacin anual fcilmente destruye cualquier posterior inferencia sobre futuros escenarios. De la lista completa de estaciones pluviomtricas se han eliminado aquellas que han resultado inhomogneas por los dos tests aplicados (el SNHT y el de Wald-Wolfowitz), esto es, un 17,5% del total. Con ello ha quedado una base de datos con 2 326 estaciones con la marca correspondiente si no han pasado alguno de los tests.
17
30 25 20 15 10 5 0
%
> 1,7
(1,6, 1,7)
(1,5, 1,6)
(1,4, 1,5)
(1,3, 1,4)
(1,2, 1,3)
(1,1, 1,2)
(1,0, 1,1)
0,9, 1,0)
(0,8, 0,9)
(0,7, 0,8)
(0,6, 0,7)
(0,5, 0,6)
< 0,5
Figura 2.4. Histograma de la razn correctora para el test SNHT para las estaciones con inhomogeneidad al 5%.
0,8
0,6
0,4
0,2
Figura 2.5. Funcin de distribucin del estadstico estandarizado del test de Mann. La probabilidad acumulada se muestra en ordenadas, el estadstico en abscisas y la lnea vertical marca el valor crtico del estadstico.
18
Otra forma de valorar el grado de inhomogeneidad consiste en analizar la pendiente de las series inhomogneas. En la figura 2.6 se ha representado el histograma de las pendientes (en C/100 aos). Ntese que estas pendientes corresponden a las diferencias entre la serie a testear y la serie de referencia, con lo que la posible variabilidad natural, incluyendo tendencias reales del clima, estar filtrada. Por tanto bsicamente es una pendiente debida a la inhomogeneidad. Como se observa, son abundantes las pendientes superiores en valor absoluto a 5C/100 aos, esto es, del orden del calentamiento global previsto por los modelos a lo largo de todo este siglo. Est claro que son valores del error inaceptables para usarlos en la proyeccin de escenarios.
Figura 2.6. Histograma de las pendientes (en C/100 aos) de las diferencias con la serie de referencia para las series de temperatura inhomogneas al 5% con el test de Mann.
La lista de estaciones termomtricas que finalmente se han utilizado para generar las proyecciones utilizando mtodos empricos consta de aquellas estaciones que han pasado el test de Mann, es decir el 48,5% de las estaciones de partida, que totalizan 373 y 371 estaciones, para temperatura mxima y mnima, respectivamente. Con esta lista final de estaciones termomtricas que cubre razonablemente bien el territorio nacional se han calculado las proyecciones de cambio climtico.
19
20
21
22
La obtencin de proyecciones o escenarios regionales de cambio climtico est sujeta a una variedad de fuentes de incertidumbre que afectan a todos los pasos del proceso de su generacin, comenzando desde el establecimiento de los escenarios alternativos de posibles evoluciones en las emisiones de gases de efecto invernadero y aerosoles, que afectan al forzamiento radiativo, hasta los algoritmos que proyectan las evoluciones a escala regional. Estas incertidumbres se pueden describir en forma jerrquica o de cascada (MITCHELL y HULME, 1999), de tal forma que cada paso conducente a la generacin de proyecciones regionales hereda todas las incertidumbres de los pasos anteriores. De todas las fuentes de incertidumbre que a continuacin se enumeran, en este informe se exploran bsicamente tres: las asociadas a las emisiones, las asociadas a los modelos globales de circulacin general y las asociadas a las tcnicas de regionalizacin, poniendo particular nfasis en estas ltimas.
exactamente el destino de las emisiones o, lo que es lo mismo, no se conoce plenamente el ciclo del carbono. Este es un punto muy importante, porque algunos procesos implicados en el ciclo del carbono (equilibrio ocenico del dixido de carbono, por ejemplo) son dependientes de la temperatura, que, a su vez, es sensible a las concentraciones de dixido de carbono.
incide de forma importante en estas escalas son las variaciones en los usos de suelo y el realismo en los modelos de suelo. La evaluacin de incertidumbres a escala regional se complica adicionalmente por la baja relacin de la seal de respuesta frente a la variabilidad climtica interna. Este es especialmente el caso de variables, como la precipitacin, no directamente relacionadas con el forzamiento externo, y cuya estimacin en s misma posee ya unas incertidumbres que dependen de otros factores meteorolgicos. Los modelos de impacto en los diferentes sectores sensibles a las condiciones climticas (p. ej., sector hidrolgico, agrcola, energtico, etc.) aaden fuentes adicionales de incertidumbre que hay que estimar y acotar a la hora de determinar los impactos.
3,5
Precipitacin anual con CGCM2 y SRES A2 para 3 miembros sobre Espaa (7,5W, 42,68N)
miembro 1 miembro 2 miembro 3 promedio todos los miembros
3,0
Precipitacin (mm/da)
2,5
2,0
1,5
1,0
2000
2020
2040 Aos
2060
2080
2100
Figura 3.1. Evolucin de la precipitacin anual sobre un punto de rejilla (7,5W, 42,68N) en la Pennsula Ibrica calculado para tres miembros de un ensemble del modelo global CGCM2 correspondientes al escenario de emisin SRES A2. La lnea gruesa representa el promedio sobre todos los miembros del ensemble.
25
a dcada, lo que indica que la evolucin precisa dcada a dcada de la precipitacin para los prximos 100 aos es mucho ms dependiente de la variabilidad climtica interna que del forzamiento antropognico del clima. Sin embargo, las tres series sugieren una tendencia a largo plazo hacia una reduccin en la precipitacin anual. Esta grfica ilustra el problema de adaptacin a las tendencias a largo plazo en el clima a la vez que es necesario gestionar la importante e impredecible variabilidad climtica natural que afecta a las escalas anuales y decadales. Las proyecciones climticas regionalizadas que se presentan en este informe no pueden predecir la precipitacin en el rango que va desde 1 a 10 aos que est sustancialmente afectada por la variabilidad climtica natural. En consecuencia, y para eliminar estas fluctuaciones que enmascaran las tendencias a largo plazo, es recomendable promediar los diferentes miembros de un ensemble o utilizar promedios temporales suficientemente largos (p. ej., 30 aos) que filtran las oscilaciones naturales del clima.
PENNSULA Invierno 10 8 6
Cambio de la temperatura (C)
Primavera
4 2 0 Verano 10 8 6 4 2 0
DMI.HadAM3H
Otoo
A2
SMHI.HadAM3H DMI.ECHAM4 DMI.HadAM3H SMHI.ECHAM4
B2
SMHI.HadAM3H DMI.ECHAM4 DMI.HadAM3H SMHI.ECHAM4
A2
SMHI.HadAM3H DMI.ECHAM4 DMI.HadAM3H SMHI.ECHAM4
B2
SMHI.HadAM3H DMI.ECHAM4 SMHI.ECHAM4
Figura 3.2. Valor medio de la diferencia de temperatura del perodo 2071-2100 respecto al perodo 1961-1990 para la Espaa peninsular en invierno, primavera, verano y otoo. Este valor se ha estimado a partir de dos modelos regionales (DMI y SMHI), dos modelos globales (HadAM3H y ECHAM4/OPYC) y dos escenarios de emisin (A2 y B2). Cada barra indica la separacin en +/1 desviacin estndar respecto de la media.
y ECHAM4/OPYC) y para dos escenarios de emisin (A2 y B2). Se han evaluado los cambios de la temperatura media y de la precipitacin para el perodo 2071-2100 respecto a los valores medios del perodo de control usado por estos modelos (1961-1990) solamente para la parte peninsular de Espaa. Las grficas 3.2 y 3.3 representan el valor medio (punto central) y el rango de valores que se distancia del valor medio en +/ una desviacin estndar (lnea vertical) para la temperatura media y la precipitacin, respectivamente, para las ocho proyecciones seleccionadas (2 GCM 2 RCM 2 Escenarios SRES) y para las cuatro estaciones del ao. La incertidumbre proveniente de los RCM en el cambio de la temperatura media para el rea analizada es pequea comparada con las diferencias entre los GCM y entre los escenarios analizados que muestran diferencias claramente mayores. A su vez, el perodo invernal es el que muestra menores diferencias entre los RCM, posiblemente debido a la predominancia de los efectos advectivos regidos principalmente por la eleccin de las condiciones de contorno. Para el cambio de precipitacin, en lneas generales, la dispersin es mayor que la diferencia que puede existir entre las diferentes proyecciones realizadas. La dispersin en trminos porcentuales es mayor durante el perodo invernal y durante el estival. En este ltimo caso, puede ser determinante la escasez de lluvias estivales. Uno de los modelos regionales (SMHI) muestra, en los meses de verano, una mayor dispersin que el otro.
27
Primavera
Otoo
A2
DMI.ECHAM4 SMHI.HadAM3H DMI.HadAM3H SMHI.ECHAM4
B2
DMI.ECHAM4 SMHI.HadAM3H DMI.HadAM3H SMHI.ECHAM4
A2
DMI.ECHAM4 SMHI.HadAM3H DMI.HadAM3H SMHI.ECHAM4
B2
SMHI.HadAM3H DMI.ECHAM4 SMHI.ECHAM4
28
CAMBIOS ABRUPTOS
Figura 3.4. Regiones en las cuales fenmenos locales especficos pueden dar lugar a cambios abruptos de gran escala en las condiciones climticas regionales o globales (SCHELLNHUBER y HELD, 2002).
29
30
31
32
Una primera exploracin de los futuros climas regionales que pueden afectar a Espaa procede de las proyecciones realizadas con diferentes modelos climticos globales y diferentes escenarios de emisin. En este informe se han considerado solamente dos escenarios de emisin (A2 y B2) descritos en el Informe Especial de Escenarios de Emisin (SRES) del IPCC publicado en 2000. En 1992, el IPCC public los primeros escenarios de emisiones que sirvieron de base para los modelos de la circulacin general, con el fin de desarrollar escenarios de cambio climtico comparables. Los denominados escenarios IS92 fueron los primeros escenarios globales que proporcionaban estimaciones de todos los gases de efecto invernadero. Desde 1992 los conocimientos sobre las emisiones futuras de gases de efecto invernadero y sobre el cambio climtico haban cambiado considerablemente, y por ello, el IPCC decidi en 1996 desarrollar un nuevo conjunto de escenarios de emisiones que serviran de base para su Tercer Informe de Evaluacin. Los nuevos escenarios SRES (2000) han servido de base tambin para el Cuarto Informe de Evaluacin del IPCC. La familia de lneas evolutivas y escenarios A2 describen un mundo muy heterogneo. Sus caractersticas ms distintivas son la autosuficiencia y la conservacin de las identidades locales. Las pautas de fertilidad en el conjunto de las regiones convergen muy lentamente, con lo que se obtiene una poblacin mundial en continuo crecimiento. El desarrollo econmico est orientado bsicamente a las regiones, y el crecimiento econmico por habitante as como el cambio tecnolgico estn ms fragmentados y son ms lentos que en otras lneas evolutivas. En este informe se utilizar el escenario marcador o representante de cada familia de escenarios A2 y se le denominar alternativamente como escenario de emisin medio-alto. La familia de lneas evolutivas y escenarios B2 describe un mundo en el que predominan las soluciones locales a la sostenibilidad econmica, social y medioambiental. Es un mundo cuya poblacin aumenta progresivamente a un ritmo menor que en A2, con unos niveles de desarrollo econmico intermedios, y con un cambio tecnolgico menos rpido y ms diverso que en las lneas evolutivas B1 y A1. Aunque este escenario est tambin orientado a la proteccin del medio ambiente y a la igualdad social, se centra principalmente en los niveles local y regional. Igualmente, se utilizar en este informe el escenario marcador de cada familia de escenarios B2 y se le denominar alternativamente como escenario de emisin medio-bajo. Es importante destacar que los escenarios describen cmo evolucionarn las emisiones durante el presente siglo en ausencia de polticas intervencionistas designadas especficamente para reducir las emisiones de gases de efecto invernadero. Existe actualmente un nmero reducido de centros de modelizacin climtica que generan las proyecciones climticas para el siglo XXI en las que se basan los informes de evaluacin del IPCC. Cada modelo global posee una estructura diferente y diferentes representaciones de importantes procesos climticos tales como las nubes, los remolinos ocenicos, la humedad del suelo, etc. Cada modelo global simula, por lo tanto, de forma diferente las proyecciones de cambio climtico y proporciona distintas respuestas climticas regionales aunque estn forzados por los mismos escenarios de emisin. Es muy importante, por lo tanto, explorar tanto los patrones como las magnitudes del cambio en las diferentes variables que proporcionan una diversidad de modelos globales. Sera muy deseable hacer estas comparaciones directamente con los modelos globales ya regionalizados (bien dinmica o estadsticamente) pero la magnitud de la tarea supera los objetivos de esta primera fase del proyecto.
para el escenario de emisin SRES A2 un claro aumento de temperatura de entre 3 y 9C (entre 2 y 6C para SRES B2) en verano y de entre 2 y 5C (entre 1,5 y 4C para SRES B2) en invierno. Por el contrario, el cambio de precipitacin apenas es significativo en invierno y es predominantemente negativo en verano, aunque algunos modelos invierten esta ltima tendencia. Si se representa el cambio promediando por meses, se observa una clara variacin estacional. La figura 4.3 muestra el cambio proporcionado por 4 modelos globales (CGCM2, CSIRO2, HadCM3 y PCM) y
40
40
20
20
20
20
40
40
60
60
Figura 4.1. Cambio de precipitacin (%) y temperatura (C) para el perodo 2070-2100 con respecto al perodo (1961-1990). Los datos proceden de 9 modelos globales revisados en el IPCC (2001). Se representan dos estaciones [verano (izquierda) e invierno (derecha)], para el escenario de emisin SRES A2 y promediando los puntos de rejilla sobre la Pennsula Ibrica.
40
40
20
20
20
20
40
40
60
60
Figura 4.2. Igual que Figura 4.1, pero para el escenario de emisin SRES B2.
34
cuatro escenarios de emisin SRES (A1FI, A2, B2 y B1) en cuatro parmetros (temperatura, nubosidad, precipitacin y oscilacin diurna). Se muestra que el grado de robustez de las diferentes evoluciones vara ampliamente. Para la temperatura, la dispersin entre los distintos modelos y escenarios de emisin es bastante grande mostrando claramente valores mayores de cambio y mayor dispersin tambin en los meses de verano. La nubosidad muestra disminuciones bastante consistentes para casi todos los modelos y escenarios de emisin, oscilando su valor entre una reduccin de aproximadamente un 4% en invierno y hasta un 8% en verano. La precipitacin muestra tambin una gran dispersin entre modelos y escenarios de emisin, si bien parece haber una tendencia generalizada a la reduccin salvo en los meses invernales. La dispersin de la oscilacin diurna es en general grande, con predominio del aumento de la oscilacin, sobre todo fuera del perodo invernal.
10
30
8
Cambio de precipitacin (%) Cambio de temperatura (K)
20
10
10
20
6 Meses
10
12
30
6 Meses
10
12
3
Cambio de oscilacin diurna de T (K)
6 Meses
10
12
6 Meses
10
12
Figura 4.3. Cambio de temperatura media (arriba izq.), precipitacin (arriba der.), nubosidad (abajo izq.) y oscilacin diurna (abajo der.) para el perodo 2070-2100 respecto al perodo de referencia (1961-1990) en funcin de los distintos meses proporcionado por 4 modelos globales (CGCM2, CSIRO2, HadCM3 y PCM) y cuatro escenarios de emisin SRES (A1FI, A2, B2 y B1) promediando los puntos de rejilla sobre la Pennsula Ibrica.
35
TAR (2001) (Ap. 9.1) puede verse una detallada descripcin de cmo sintonizar un modelo simple como el MAGICC a los resultados obtenidos con AOGCM. Una vez sintonizado MAGICC puede utilizarse para emular y extender sus resultados. Los modelos simples permiten comparar diferencias entre escenarios sin los efectos enmascaradores de la variabilidad natural, o de la similar variabilidad que tiene lugar en los AOGCM (HARVEY et al., 1997). Por otra parte, los modelos sencillos permiten explorar el efecto de las incertidumbres provenientes de la sensibilidad del clima y de la captura de calor del ocano. Un GEC como MAGICC-SCENGEN permite explorar fcilmente el grado de incertidumbre asociado con las proyecciones realizadas con una variedad de modelos globales. Dependiendo de las variables que se consideren, los modelos muestran un grado mayor o menor de acuerdo, y, en consecuencia, una mayor o menor robustez de las conclusiones. La figura 4.4 muestra la gran dispersin que se observa para la variable precipitacin entre las simulaciones realizadas con los 16 modelos globales incluidos en MAGICC-SCENGEN. Para una mejor interpretacin de los resultados se pueden aplicar algunas tcnicas ya utilizadas operativamente en las predicciones a medio y corto plazo. En particular, se pueden agrupar las distintas predicciones mediante tcnicas de anlisis cluster, se pueden promediar, se pueden presentar horquillas de valores mximos y mnimos en una regin de referencia, etc.
Figura 4.4. Cambio de precipitacin anual bajo el escenario de emisin SRES A2 para el perodo 2086-2115 con respecto al perodo de referencia (1961-1990) obtenido con 16 AOCGM. Producido con MAGICC/SCENGEN (versin 2.4) con la opcin de sensibilidad climtica media y los parmetros de MAGICC por defecto que producen un promedio global de incremento de temperatura (incluyendo GEI y SO4) de 3,04C.
37
El promediado de todos los miembros del conjunto de predicciones realizadas con distintos modelos puede proporcionar un resultado ms robusto y plausible por la tendencia a la compensacin de errores sistemticos de los distintos modelos. Este hecho ya ha sido ampliamente demostrado en los plazos de prediccin cortos, medios y estacionales. Sin embargo, no debe olvidarse que el promediado puede enmascarar comportamientos extremos en el caso de variables que presenten signos positivos y negativos. La figura 4.5 muestra un promediado sobre los 16 modelos para un escenario de emisin particular (SRES A2) y diferenciado por estaciones para precipitacin y temperatura media. La precipitacin
Figura 4.5. Cambio de precipitacin (izquierda) y temperatura media (derecha) bajo el escenario de emisin SRES A2 para el perodo (2086-2015) con respecto al perodo de referencia (1961-1990) basado en el promedio de 16 AOCGM para invierno (fila 1.), primavera (fila 2.), verano (fila 3.), otoo (fila 4.) y para el promedio anual (fila 5.). Producido con MAGICC-SCENGEN (version 2.4) con la opcin de sensibilidad climtica media y los parmetros de MAGICC por defecto.
38
muestra, sobre la Pennsula Ibrica, una clara tendencia a la reduccin anual y una tendencia a la disminucin en los meses de verano. Esta disminucin en trminos porcentuales puede ser insignificante en trminos absolutos debido a la poca precipitacin estival sobre todo en la mitad meridional de la Pennsula. El promedio anual de los 16 modelos muestra una reduccin de la precipitacin entre el 10 y 20% para la mitad meridional de la Pennsula y entre el 5 y 10% en los cuadrantes NO y NE de la Pennsula Ibrica. Por estaciones, se observa una disminucin de precipitacin, salvo en la mitad norte y en la estacin invernal donde se estima un aumento de la precipitacin. La temperatura media muestra tambin incrementos mayores en los meses veraniegos (superiores a 4,5C en la mitad oriental de la Pennsula), consistente con los resultados obtenidos en la seccin anterior. Los promedios correspondientes a otras variables (no mostrados aqu) dan resultados consistentes en trminos de tensin de vapor y de nubosidad. Cabe destacar que el promedio para la nubosidad muestra un ligero aumento de la misma en los meses invernales, frente a la reduccin en el resto del ao y en el promedio anual. Este aumento invernal es consistente con el ligero aumento invernal del promedio del cambio de precipitacin. En trminos del mdulo de la velocidad, se nota una tendencia a la disminucin porcentual en todas las estaciones salvo en el verano. De nuevo, hay que ser cautos a la hora de interpretar este aumento veraniego en una estacin en la que predominan las situaciones con poco flujo debido a la circulacin general. Cuando se plantea el problema de qu modelo global elegir entre los muchos disponibles para preparar escenarios regionalizados y los posteriores estudios de impacto, hay una serie de criterios normalmente admitidos (SMITH y HULME, 1998). Entre estos criterios se pueden mencionar: (i) la menor antigedad del modelo; (ii) la mejor representacin del clima actual y de los paleoclimas; (iii) la mayor resolucin; y (iv) la representatividad de los modelos para representar un amplio abanico de posibles climas futuros utilizando solamente dos o tres modelos. La validacin del modelo frente al clima actual es un criterio muy slido y objetivo, pero debe tenerse siempre presente que una buena representacin del clima actual no tiene por qu representar una garanta de buena simulacin del clima futuro. Las tablas 4.1 y 4.2 muestran diferentes ndices de verificacin de la temperatura media anual y de precipitacin media diaria de 17 modelos para un rea que abarca desde los 27,5 a los 52,5 de latitud norte y desde los 22,5E a 12,5O en longitud. La comparacin se ha realizado con la climatologa CRU (Climate Research Unit, (NEW et al., 1999)). Los valores de los ndices de verificacin pueden utilizarse, bien para seleccionar los modelos, o para ponderarlos cuando se calculan promedios.
MODELO BMRCTR CCC1TR CCSRTR CERFTR CSI2TR CSM_TR ECH3TR ECH4TR GFDLTR GISSTR HAD2TR HAD3TR IAP_TR LMD_TR MRI_TR PCM_TR W&M_TR CORREL ,968 ,901 ,933 ,929 ,979 ,855 ,955 ,988 ,962 ,947 ,987 ,987 ,926 ,932 ,956 ,865 ,896 RMSE 2,242 2,182 3,136 2,351 1,171 2,797 1,455 ,832 3,237 2,452 1,076 1,052 2,085 1,659 2,765 3,236 5,361 BIAS 1,357 ,391 2,536 1,576 ,177 1,481 ,562 ,449 2,959 ,044 ,769 ,739 ,622 ,132 2,293 2,277 4,967 MODELO BMRCTR CCC1TR CCSRTR CERFTR CSI2TR CSM_TR ECH3TR ECH4TR GFDLTR GISSTR HAD2TR HAD3TR IAP_TR LMD_TR MRI_TR PCM_TR W&M_TR MODBAR CORREL ,894 ,930 ,908 ,938 ,954 ,958 ,938 ,972 ,929 ,956 ,958 ,980 ,915 ,798 ,938 ,951 ,908 ,967 RMSE 1,021 ,410 ,603 ,707 ,481 ,530 ,417 ,253 ,435 ,552 ,438 ,332 ,496 ,764 ,420 ,469 1,038 ,393 BIAS ,275 ,109 ,105 ,372 ,274 ,321 ,057 ,116 ,280 ,260 ,222 ,251 ,334 ,483 ,166 ,169 ,716 ,219
Tabla 4.1. ndices de verificacin (correlacin, error cuadrtico medio, error medio) para los modelos listados en la columna de la izquierda y para la temperatura media anual en el perodo de referencia. (Producido con MAGICC-SCENGEN, version 4.1). Unidades: C.
Tabla 4.2. ndices de verificacin (correlacin, error cuadrtico medio, error medio) para los modelos listados en la columna de la izquierda y para la precipitacin media diaria en el perodo de referencia. (Producido con MAGICC-SCENGEN, version 4.1). Unidades: mm/da.
39
4.3. EVALUACIN DE LAS SIMULACIONES DE MODELOS CLIMTICOS GLOBALES MEDIANTE UNA TCNICA OBJETIVA DE CLASIFICACIN DE TIPOS DE TIEMPO
Una tarea bsica y previa a la aplicacin de cualquier tcnica de regionalizacin es la validacin de los AOGCM que se van a utilizar. La mayora de los modelos de circulacin general captan con gran maestra la posicin de los principales centros de accin (GATES et al., 1990; SANTER Y WIGLEY , 1990) pero no son tan certeros en la reproduccin de las trayectorias de los temporales y en la localizacin de las anomalas persistentes. Por ello, es necesaria su validacin para analizar sus deficiencias en la simulacin de los rasgos generales de la circulacin general a gran escala. La simulacin fiable de la circulacin a escala continental por parte de los AOGCM es una condicin necesaria, pero desgraciadamente no suficiente, a la hora de evaluar con xito los impactos de cambio climtico. Para la validacin de la circulacin, en este estudio nos hemos basado en una tcnica objetiva de clasificacin de tipos de tiempo. Los tipos de circulacin o regmenes de tiempo se interpretan habitualmente como los estados preferidos de un sistema dinmico no lineal con atractores anmalos, y son los patrones de flujo de aire a gran escala persistentes que aparecen repetidamente en localidades geogrficas fijas y organizan el comportamiento de los movimientos a escala sinptica durante varios das o semanas. Se han definido mediante la aplicacin de diferentes mtodos objetivos en distintas regiones y en distintos niveles atmosfricos. La circulacin a gran escala de la atmsfera en las regiones extratropicales vendr definida por la alternancia de los tipos de circulacin. La siguiente validacin de los tipos de tiempo de los modelos considerados (CGCM2, ECHAM4 y HADCM3) pretende, en primer lugar, analizar su habilidad para simular la circulacin atmosfrica a escala europea mediante su comparacin con los datos de reanlisis del Centro Europeo de Prediccin a Plazo Medio (ERA40) y, en segundo lugar, evaluar los posibles cambios en los tipos de circulacin al considerar un escenario de cambio climtico (SRES A2) para el perodo 2071-2100. En esta validacin se han comparado, en primer lugar, el campo medio y el de la desviacin estndar del geopotencial de 500 hPa, de las simulaciones con los del reanlisis. En segundo lugar, se han analizado los patrones medios de los distintos tipos de circulacin, prestando particular atencin: i) a la posicin y orientacin de las dorsales y vaguadas, ii) a la frecuencia de los tipos de circulacin y su tendencia, iii) a la persistencia y iv) al anlisis de las transiciones entre los distintos tipos de circulacin correspondientes a cada conjunto de datos para el perodo de control y para el clima perturbado. Ya que la similitud entre los tipos de circulacin observados y simulados suele ser, en general, bastante limitada, y las frecuencias simuladas de algunos tipos difieren considerablemente de la realidad (HUTH, 2006), cualquier cambio detectado en las propiedades de los mismos constituye un aspecto muy importante en la caracterizacin de la variabilidad tanto del clima observado como de las simulaciones climticas. Cabe mencionar que la identificacin de aquellos tipos de circulacin que se encuentren asociados a los sucesos climticos cobrar cada vez ms importancia al tratar de determinar los cambios posibles de los extremos climticos inducidos por un efecto invernadero intensificado (SNCHEZ GMEZ y TERRAY, 2005). Los resultados de este estudio han sido publicados en la Nota Tcnica n. 4 del rea de Evaluacin y Modelizacin del Cambio Climtico del Instituto Nacional de Meteorologa (PASTOR et al., 2008). Como ejemplo de la metodologa seguida se muestra a continuacin la validacin realizada para la simulacin CGCM2.
40
EVALUACIN DE LAS SIMULACIONES DE MODELOS CLIMTICOS GLOBALES MEDIANTE UNA TCNICA OBJETIVA...
a) Reanlisis del Centro Europeo de Prediccin a Plazo Medio (ERA40, UPPALA et al., 2005). b) Simulaciones climticas del modelo CGCM2 del CCCma (Canadian Centre for Climate Modelling and Analysis) (FLATO et al., 2000). El clculo de los tipos de circulacin se ha realizado para el invierno extendido desde diciembre a marzo (DEFM) de los siguientes perodos temporales: a) 1961-1990 para el ERA40 y CGCM2 como perodo de referencia; b) proyecciones climticas del 2071-2100 considerando el escenario SRES A2. El dominio espacial elegido se extiende desde 25N a 70N y desde 45O a 50E. Ambos conjuntos de datos se han interpolado a una rejilla comn y regular de latitud-longitud de 2,5 2,5. Como metodologa se ha considerado un mtodo objetivo de clasificacin basado en el anlisis de componentes principales (PCA, de su acrnimo ingls Principal Component Analysis) en modo T seguido de una rotacin ortogonal varimax (R ICHMAN , 1986). Para determinar el nmero de componentes principales (PC, de su acrnimo ingls Principal Components) que se rotan, se ha utilizado el diagrama LEV (log-eigenvalues) del que se deduce que 4 es el nmero de PC ptimo para rotar en este caso. Cada da se clasifica atendiendo a su loading mayor. Como los loadings pueden ser valores positivos o negativos se tendrn tantos tipos de circulacin como el doble del nmero de los PC rotados, por lo que finalmente se han obtenido 8 tipos de circulacin.
Tabla 4.6. Caractersticas de la duracin de eventos: duracin media en das (M), porcentaje del tiempo transcurrido en los eventos de duracin igual o superior a los 4 das ( 4) y nmero de sucesos de 1 da para el reanlisis ERA40 y para CGCM2 correspondientes al perodo 1961-1990.
41
40N
40N
40N
40N
40W
20W
20E
40E
40W
20W
20E
40E
40N
40N
40N
40N
40W
20W
20E
40E
40W
20W
20E
40E
40N
40N
40N
40N
40W
20W
20E
40E
40W
20W
20E
40E
40N
40N
40N
40N
40W
20W
20E
40E
40W
20W
20E
40E
5160
5280
5400
5520
5640
5760
Figura 4.6. Patrones de los tipos de circulacin de invierno (DEFM) de la altura de geopotencial de 500 hPa del reanlisis ERA40 para el perodo 1961-1990. Intervalo de contorneo: 60 mgp.
Descripcin de los tipos de circulacin de ERA40 1961-1990 Flujo zonal Bloqueo euroatlntico con centro sobre las Islas Britnicas Bloqueo escandinavo Dorsal atlntica al oeste de Europa, extendindose a partir del anticicln de las Azores Dorsal atlntica de eje inclinado con eje Atlntico suroriental-Europa central Dorsal sobre las Islas Britnicas e Islandia Dorsal cuyo eje se extiende desde la Pennsula Ibrica a Escandinavia Dorsal atlntica con eje al sur de Islandia
Tabla 4.3. Descripcin de los tipos de circulacin de la altura de geopotencial de 500 hPa del reanlisis ERA40 correspondiente al perodo 1961-1990. Entre parntesis, el nmero de das.
42
EVALUACIN DE LAS SIMULACIONES DE MODELOS CLIMTICOS GLOBALES MEDIANTE UNA TCNICA OBJETIVA...
40N
40N
40N
40N
40W
20W
20E
40E
40W
20W
20E
40E
40N
40N
40N
40N
40W
20W
20E
40E
40W
20W
20E
40E
40N
40N
40N
40N
40W
20W
20E
40E
40W
20W
20E
40E
40N
40N
40N
40N
40W
20W
20E
40E
40W
20W
20E
40E
5160
5280
5400
5520
5640
5760
Figura 4.7. Patrones de los tipos de circulacin de invierno (DEFM) de la altura de geopotencial de 500 hPa del CGCM2 para el perodo 1961-1990. Intervalo de contorneo: 60 mgp.
Descripcin de los tipos de circulacin del CGCM2 1961-1990 Flujo zonal Bloqueo escandinavo Flujo zonal sobre el Atlntico y dorsal sobre la Europa oriental Dorsal sobre las Islas Britnicas Dorsal con eje inclinado que se extiende desde el golfo de Botnia hasta Canarias Dbil dorsal atlntica al SO de Islandia Dorsal atlntica de eje inclinado con eje Atlntico suroriental-Europa central Flujo zonal con corriente en chorro desplazada hacia el S
Tabla 4.4. Descripcin de los tipos de circulacin de la altura de geopotencial de 500 hPa del CGCM2 correspondiente al perodo 1961-1990. Entre parntesis, el nmero de das.
43
40N
40N
40N
40N
40W
20W
20E
40E
40W
20W
20E
40E
40N
40N
40N
40N
40W
20W
20E
40E
40W
20W
20E
40E
40N
40N
40N
40N
40W
20W
20E
40E
40W
20W
20E
40E
40N
40N
40N
40N
40W
20W
20E
40E
40W
20W
20E
40E
5160
5280
5400
5520
5640
5760
Figura 4.8. Patrones de los tipos de circulacin de invierno (DEFM) de la altura de geopotencial de 500 hPa del CGCM2 A2 para el perodo 2071-2100. Intervalo de contorneo: 60 mgp.
Descripcin de los tipos de circulacin del CGCM2_A2 2071-2100 Fuerte flujo zonal Dorsal con eje inclinado golfo de Botnia-golfo de Len Flujo zonal sobre el Atlntico y dorsal sobre la Europa oriental Ligera dorsal al oeste de Europa, vaguada dbil en la Europa occidental Ligera dorsal con eje Iberia-Escandinavia Flujo zonal al S de la Pennsula Ibrica y Mar Mediterrneo Flujo anticiclnico sobre Europa occidental y meridional Flujo del ONO sobre la Pennsula Ibrica, dorsal sobre la Europa oriental
Tabla 4.5. Descripcin de los tipos de circulacin de la altura de geopotencial de 500 hPa del CGCM2_A2 correspondiente al perodo 2071-2100. Entre parntesis, el nmero de das.
44
EVALUACIN DE LAS SIMULACIONES DE MODELOS CLIMTICOS GLOBALES MEDIANTE UNA TCNICA OBJETIVA...
En la tabla 4.7, aparecen desglosadas la persistencia media y la frecuencia relativa (expresada en %) de los distintos tipos de circulacin para ambos conjuntos. En el caso del reanlisis, el rango de variacin de la persistencia vara entre los 2,44 das del tipo ERA40_5 y los 3,88 das del tipo ERA40_6. En el caso del modelo CGCM2, el rango vara entre los 2,37 das del tipo CGCM2_61_90_7 y los 5,14 das del tipo CGCM2_61_90_2. Respecto al anlisis de las frecuencias relativas, se observan las siguientes diferencias, mientras en el ERA40, la frecuencia mxima es del 15% (tipo ERA40_1) y la mnima del 11% (tipo ERA40_8), en el caso del modelo CGCM2 existe una mayor diferencia entre los tipos, oscilando desde un 19% (tipo CGCM2_1) hasta 8% para el tipo CGCM2_7. El nexo comn en ambos conjuntos estara en que los tipos menos frecuentes se corresponden con situaciones de dorsal de eje inclinado (NE-SO) aproximndose a la Pennsula Ibrica, y los tipos ms frecuentes se hallan ligados a dorsales sobre las Islas Britnicas e Islandia (ERA40) y de flujo zonal o flujo anticiclnico sobre Europa Occidental y Escandinavia.
Persistencia media ERA40 ERA40_1 ERA40_2 ERA40_3 ERA40_4 ERA40_5 ERA40_6 ERA40_7 ERA40_8 3,56 2,98 3,47 2,96 2,44 3,88 3,18 3,16 CGCM2 CGCM2_1 CGCM2_2 CGCM2_3 CGCM2_4 CGCM2_5 CGCM2_6 CGCM2_7 CGCM2_8 4,59 5,14 3,92 3,09 2,85 2,88 2,37 4,12 ERA40 ERA40_1 ERA40_2 ERA40_3 ERA40_4 ERA40_5 ERA40_6 ERA40_7 ERA40_8
Frecuencia relativa CGCM2 15,29 11,73 14,13 13,30 11,29 11,13 11,90 11,21 CGCM2_1 CGCM2_2 CGCM2_3 CGCM2_4 CGCM2_5 CGCM2_6 CGCM2_7 CGCM2_8 19,37 7,99 12,95 11,32 9,59 11,18 8,29 9,31
Tabla 4.7. Persistencia media (das) y frecuencias relativas de ocurrencia (%) de los tipos de circulacin para el reanlisis ERA40 y para CGCM2 correspondientes al perodo 1961-1990.
Tanto en el caso del ERA40 como en la simulacin de control, el tipo ms frecuente no es el que tiene la mayor persistencia, pero est en segundo lugar. Eso se justifica porque el clculo de la persistencia media es un cociente entre el nmero de das de un determinado tipo, y el nmero total de eventos de distinta duracin que estn asociados. a) Tendencia en la frecuencia de tipos de circulacin Se analiza la evolucin temporal de la frecuencia de los tipos de circulacin para ERA40 y la simulacin CGCM2 (PASTOR et al., 2008). Como regla general, la variabilidad interanual de la frecuencia de los distintos tipos de circulacin es muy elevada, se da la circunstancia de que en un invierno determinado, mientras algunos tipos de circulacin estn presentes ms de un tercio de los das, existen otros que no se producen ni siquiera una sola vez; existiendo indicios de variabilidad decadal. Para el reanlisis, hay un incremento en la frecuencia del tipo ERA40_7, dorsal con eje Iberia-Escandinavia, desde los aos 1970 hasta los inicios de la dcada de 1990; este incremento concuerda con un estudio previo (CASADO et al., 2007) utilizando el mismo reanlisis pero con un perodo ms largo. Existe una ligera tendencia positiva en el tipo ERA40_1 y una ligera tendencia negativa en el tipo ERA40_2, conectada en este ltimo caso con un decrecimiento en la frecuencia de los bloqueos euroatlnticos. Se observa una tendencia negativa en la frecuencia del tipo ERA40_8, tipo que guarda semejanza con el anticicln de Groenlandia, siguiendo la denominacin de otros autores. Para la simulacin CGCM2, la caracterstica ms sobresaliente se refiere a la acusada tendencia positiva presente en el tipo CGCM2_2, bloqueo escandinavo, especialmente, cuando se compara con el mismo tipo de circulacin de ERA40, que prcticamente no muestra ninguna tendencia. La presencia de tendencias negativas se detecta en la evolucin de las frecuencias de los tipos CGCM2_4 y CGCM2_1.
45
b) Transiciones entre los tipos de circulacin Actualmente, aunque se podra afirmar que los tipos de circulacin se pueden determinar o aislar con gran fiabilidad, se est muy lejos de la comprensin de aquellos procesos asociados en las transiciones entre los distintos tipos de circulacin. Las transiciones relativas al perodo 1961-1990 entre un tipo de circulacin especfico y los restantes tipos de circulacin pertenecientes al ERA40 se encuentran en la tabla 4.8 y las correspondientes a la simulacin del CGCM2 en la tabla 4.9. Las transiciones se expresan en % y se calculan como el cociente entre el nmero de cambios de un tipo de circulacin a otro y el nmero total de cambios de ese tipo de circulacin (no se han considerado las autotransiciones, es decir, las transiciones de un tipo de circulacin al mismo tipo).
Tabla 4.8. Frecuencia de las transiciones de un tipo de circulacin dado (en filas) a otro tipo de circulacin diferente (en columnas), expresado en %, para la clasificacin de los tipos de tiempo del ERA40 correspondientes al perodo 1961-1990.
CGCM2_1 CGCM2_2 CGCM2_3 CGCM2_4 CGCM2_5 CGCM2_6 CGCM2_7 CGCM2_8 0,00 16,67 24,25 27,87 13,58 31,75 9,76 1,31 18,34 8,34 15,58 23,58 7,94 26,83 15,04 26,05 0,00 14,76 16,43 8,73 17,08 28,11 18,49 0,00 13,12 15,00 19,05 7,32 17,65 10,93 10,84 31,06 0,00 15,88 9,76 20,27 15,13 25,00 10,61 1,64 16,67 29,27 7,85 20,17 13,34 15,91 26,23 15,00 0,00 9,81 9,25 15,84 9,85 0,82 16,43 0,00
Tabla 4.9. Frecuencia de las transiciones de un tipo de circulacin dado (en filas) a otro tipo de circulacin diferente (en columnas), expresado en %, para la clasificacin de los tipos de tiempo de la simulacin del CGCM2 correspondientes al perodo 1961-1990.
Para el reanlisis, existen 7 transiciones con probabilidad nula. Se encuentran en las diagonales adyacentes a la diagonal principal. Entre estas transiciones cabe mencionar la del paso del bloqueo euroatlntico al flujo zonal. Respecto a las transiciones ms probables, se destaca la producida entre el bloqueo escandinavo a una dorsal atlntica con eje Atlntico suroriental-Europa Central (30%). Para la simulacin CGCM2, existen 6 transiciones que no se producen nunca. Se localizan en las mismas posiciones que en el reanlisis. Entre ellas el paso del bloqueo escandinavo a una situacin de flujo zonal intenso. La frecuencia de las transiciones ms probables es mayor que en el reanlisis. La transicin ms probable tiene lugar entre una dorsal atlntica con eje Atlntico suroriental-Europa central a una situacin de flujo zonal intenso. Otra transicin muy probable es la relativa al paso de una dorsal centrada en las Islas Britnicas a una dorsal con eje Canarias-Dinamarca.
46
EVALUACIN DE LAS SIMULACIONES DE MODELOS CLIMTICOS GLOBALES MEDIANTE UNA TCNICA OBJETIVA...
Tabla 4.10. Caractersticas y duracin de los eventos: duracin media (M), porcentaje del tiempo transcurrido en aquellos sucesos de duracin igual o superior a los 4 das ( 4), y nmero de sucesos de 1 da de la simulacin CGCM2_A2 correspondiente al perodo 2071-2100.
Persistencia media CGCM2_A2 CGCM2_A2_1 CGCM2_A2_2 CGCM2_A2_3 CGCM2_A2_4 CGCM2_A2_5 CGCM2_A2_6 CGCM2_A2_7 CGCM2_A2_8 4,67 4,81 3,32 2,90 2,51 3,46 2,53 2,09
Frecuencia relativa CGCM2_A2 CGCM2_A2_1 CGCM2_A2_2 CGCM2_A2_3 CGCM2_A2_4 CGCM2_A2_5 CGCM2_A2_6 CGCM2_A2_7 CGCM2_A2_8 21,87 18,95 12,81 11,82 9,67 9,15 8,29 7,43 Tabla 4.11. Persistencia media (das) y frecuencias relativas de ocurrencia (%) de los tipos de circulacin de la simulacin CGCM2_A2 correspondiente al perodo 2071-2100.
La informacin relativa a las caractersticas y duracin de los eventos, persistencia media y frecuencia relativa de los diferentes tipos de circulacin de la simulacin de cambio climtico aparece sintetizada en las tablas 4.10 y 4.11. La respuesta de la circulacin atmosfrica al considerar el escenario SRES A2 se manifiesta en un ligero decrecimiento de la duracin media, 3,33 das, frente a los 3,61 de la simulacin de control (1961-1990). En consonancia con este resultado, existe un mayor nmero de eventos de 1 da de duracin y un menor porcentaje de tiempo transcurrido en los eventos de duracin igual o superior a los 4 das. Existen 20 eventos de duracin igual o superior a los 15 das, siendo el evento de mayor duracin de 27 das (PASTOR et al., 2008). La persistencia de la simulacin CGCM2 oscila entre los 2,09 das, del tipo CGCM2_A2_71_100_8 y los 4,81 das del tipo CGCM2_A2_71_100_2. Respecto al anlisis de las frecuencias relativas, se observa que existen tres tipos de circulacin con frecuencia inferior al 10% (CGCM2_A2_71_100_6, CGCM2_A2_71_100_7 y CGCM2_A2_71_100_8). La frecuencia mxima es de 22% y corresponde al tipo CGCM2_A2_71_100_1. Al tratar de aislar aquellos rasgos comunes en el comportamiento, se observa que los tipos ms persistentes se corresponden con situaciones de fuerte flujo zonal o bien con situaciones de dorsales con eje inclinado golfo de Botnia-golfo de Len; siendo las menos persistentes, dorsales que se aproximan al oeste de la Pennsula Ibrica o dorsales con eje muy inclinado que se extiende desde Dinamarca al Mediterrneo.
47
a) Tendencia en la frecuencia de los tipos de circulacin Como regla general, la variabilidad interanual de la frecuencia de los distintos tipos de circulacin es muy elevada, se da la circunstancia de que en un invierno determinado, mientras algunos tipos de circulacin estn presentes ms de un tercio de los das, existen otros que no se producen ni siquiera una sola vez. Existen indicios de variabilidad decadal. Para la simulacin CGCM2, la caracterstica ms sobresaliente se refiere a la tendencia positiva presente en la frecuencia del tipo CGCM2_A2_7, dorsal con eje Dinamarca-NO de frica y una ligera tendencia positiva en la frecuencia del tipo CGCM2_A2_1, situacin de flujo zonal intenso. Se comprueba la existencia de una acusada tendencia negativa en la frecuencia del tipo CGCM2_A2_8, flujo del NO sobre Europa central y meridional. b) Transiciones entre los tipos de circulacin Las transiciones relativas al perodo 2071-2100 para una proyeccin de cambio futuro de la simulacin CGCM2 (SRES A2) se encuentran en la tabla 4.12. Se observa un aumento en la frecuencia de ciertas transiciones, en comparacin con las correspondientes al perodo de control 1961-1990, disminuyendo a 4 el nmero de transiciones de probabilidad nula. La transicin ms probable (42%) tiene lugar entre una dorsal con eje Iberia-Escandinavia a una situacin de flujo zonal.
De/A
Tabla 4.12. Frecuencia de las transiciones de un tipo de circulacin dado (en filas) a otro tipo de circulacin diferente (en columnas), expresado en %, para la clasificacin de los tipos de tiempo de la simulacin del CGCM2_A2 correspondiente al perodo 2071-2100.
4.3.4. Conclusiones
Los puntos focales de esta validacin han sido: 1) la habilidad del modelo CGCM2 para simular los tipos de circulacin de las alturas de geopotencial de 500 hPa sobre el Atlntico Norte y Europa durante el invierno y, 2) los efectos en la circulacin al considerar escenarios de cambio climtico. Respecto al punto 1 se observa que la simulacin CGCM2 (1961-1990) es capaz de reproducir razonablemente los tipos de circulacin presentes en el reanlisis, si bien mostrando una tendencia a una mayor zonalidad y ausencia del tipo de bloqueo euroatlntico. Comparando con los resultados obtenidos para otros modelos climticos (PASTOR et al., 2008) se observa que los tipos de circulacin del ECHAM4 muestran el mayor gradiente de geopotencial mientras que los tipos de circulacin del HADCM3 son los que guardan mayor parecido con los del ERA40. La duracin media mayor corresponde al CGCM2 (3,61 das) y la menor al HADCM3 (2,85 das) que presenta un elevado nmero de episodios de 1 da de duracin. El CGCM2 presenta el tipo de circulacin con mayor persistencia media (mayor de 5 das) que corresponde a flujo anticiclnico sobre Europa Occidental y Escandinavia; valor no superado ni en ERA40 ni en ninguna de las simulaciones.
48
CONCLUSIONES
Se observa una sobreestimacin de la duracin de los eventos, en concordancia con referencias en la literatura. HADCM3 presenta un gran nmero de sucesos de 1 da, llegando a superar en 100 das el nmero correspondiente a ERA40. El comportamiento de las frecuencias relativas de los tipos de circulacin es bastante parecido entre el ERA40 y las simulaciones. En el CGCM2, las frecuencias varan entre un 8% y un 19%, presentando un rango ms amplio. Como caracterstica comn, los tipos de circulacin menos frecuentes estn asociados a la presencia de dorsales en el Atlntico de eje inclinado (NE-SO) en las proximidades de la Pennsula Ibrica, mientras que los tipos ms frecuentes estn asociados a flujo zonal o a dorsales (pronunciadas, intensas) en el Atlntico, al S al O de las Islas Britnicas. Las transiciones permitidas de las simulaciones tienen mayor frecuencia que las correspondientes al reanlisis, siendo la ms frecuente, la ligada a la evolucin de una dorsal de eje Atlntico suroriental-Europa. Respecto al punto 2, la simulacin CGCM2 presenta mayor zonalidad al compararlo con su correspondiente simulacin de control, HADCM3 muestra una intensificacin de las dorsales atlnticas, situadas al S de Irlanda y sobre el Mar del Norte. Existe un decrecimiento tanto en la duracin media como en el tiempo transcurrido en los sucesos de duracin igual o superior a los 4 das, para las simulaciones CGCM2 y ECHAM4. Por el contrario, HADCM3 muestra un crecimiento notable. Con la excepcin del ECHAM4, la duracin media es superior al ERA40. La simulacin HADCM3 presenta el evento de mayor duracin, 39 das (PASTOR et al., 2008). En la simulacin CGCM2, el rango de variacin de las frecuencias relativas es mayor que en la simulacin de control, contrariamente a lo que sucede en el ECHAM4. Anlogamente al comportamiento del reanlisis y de las simulaciones de control, los tipos de circulacin ms frecuentes se hallan ligados a dorsales intensas o a configuraciones de flujo zonal. Respecto a las tendencias, la variacin interanual de las frecuencias de los tipos de circulacin es bastante elevada, como ya se haba constatado en el perodo 1961-1990. Los resultados muestran dependencia con el modelo considerado, aunque existe acuerdo en la tendencia positiva mostrada por la frecuencia de una dorsal con eje Iberia-Escandinavia y, en menor acuerdo, con configuracin de tipo zonal. La frecuencia de las transiciones permitidas se ha incrementado con respecto a las correspondientes del perodo 1961-1990, especialmente la relativa a la evolucin de una dorsal con eje Iberia-Escandinavia a una configuracin de flujo zonal. Como se desprende del estudio realizado, el anlisis de los tipos de circulacin se ha revelado como una herramienta extremadamente til en la validacin de los modelos climticos.
49
50
La introduccin general a las diferentes tcnicas de regionalizacin procede casi literalmente del documento Programa coordinado para generacin de escenarios regionalizados de cambio climtico (MMA, noviembre 2006).
51
52
Como ya es sabido, la herramienta ms importante para explorar la posible evolucin futura del clima a escala secular bajo escenarios de cambio de las concentraciones de gases de efecto invernadero son los AOGCM. Dada la limitada resolucin espacial, los modelos climticos deben contener una representacin de los procesos fsicos que no pueden ser explcitamente resueltos por el modelo. Estos se incluyen mediante parametrizaciones (algoritmos relativamente sencillos de clculo que en cada paso de tiempo calculan el efecto de los diferentes procesos subrejilla en las variables y escalas resueltas explcitamente por el modelo). Este es el caso de los procesos de cambio de fase (evaporacin, condensacin, formacin de nubes), el intercambio radiativo (absorcin, emisin y reflexin de radiacin solar), procesos convectivos en escalas inferiores a la de resolucin, procesos de intercambio de calor sensible y latente en superficie a travs del suelo o la vegetacin, etc. La mayor parte de las ecuaciones en los AOGCM son ecuaciones diferenciales, para la tasa de cambio de una cantidad, por ejemplo, la velocidad del fluido, de tal forma que si es conocido su valor en un determinado instante, puede evaluarse el correspondiente en un instante posterior a travs de la integracin de las ecuaciones apropiadas. Por tanto, los AOGCM tienen una orientacin predictiva y permiten obtener soluciones de las ecuaciones, a partir de un estado inicial del sistema (condiciones iniciales). El potencial de los AOGCM reside en que permiten agrupar los efectos de un alto nmero de procesos fsicos y dinmicos de los distintos subsistemas climticos, no lineales en esencia y con mltiples interacciones, que seran muy difciles de analizar de otro modo. En la realizacin de experimentos de cambio climtico se suelen hacer integraciones de estos modelos en los que no se alteran las condiciones de contorno o forzamiento externo (solar, volcnico, cubierta vegetal, concentraciones de gases de efecto invernadero). Estos experimentos reciben el nombre de simulaciones de control y constituyen estados climticos de referencia con los cuales se comparan los resultados de simulaciones con perturbacin externa o de cambio climtico. En las simulaciones de cambio climtico, la concentracin de gases de efecto invernadero va aumentando de forma gradual de acuerdo con futuros escenarios preestablecidos (IPCC-SRES). Estas simulaciones pueden compararse con las de control para hacer evaluaciones de los cambios esperables en el clima medio y sus extremos en distintas escalas espaciales. En sentido estricto, por tanto, estas simulaciones no son predicciones sino que constituyen estados climticos compatibles con el forzamiento externo aplicado al modelo. Estas simulaciones indicaran la previsible evolucin del clima (global, hemisfrico, gran escala...) en un sentido estadstico (clima medio y extremos) condicionada a las suposiciones adoptadas en cuanto a la evolucin de los factores de forzamiento externo y las propias caractersticas del modelo. La comparacin de simulaciones globales con observaciones sugiere que los modelos son bastante fiables en la reproduccin de las caractersticas del clima a gran escala, p. ej. la clula de Hadley, la circulacin en latitudes medias, etc. Ahora bien, el realismo a escala regional es limitado y, de hecho, distintos modelos ofrecen considerables diferencias a escala regional en simulaciones con el mismo forzamiento externo. Hay varias razones para explicar las desviaciones de los modelos en la escala regional, entre las cuales podemos citar: la limitada resolucin espacial que impone una descripcin inadecuada de la topografa, distribucin tierra-ocano suavizada, la truncacin numrica en la resolucin de las ecuaciones diferenciales que obliga a parametrizar, utilizando diferentes algoritmos, los procesos en escalas espaciales inferiores a la resolucin, el carcter global de las parametrizaciones que pueden no ser apropiadas para distintas zonas del globo, etc. El clima global es la respuesta a las estructuras a gran escala en la superficie de la Tierra (distribucin tierra-ocano, topografa, etc.) y el calentamiento diferencial para diferentes latitudes y pocas del ao. Los climas regionales, por otro lado, representan el resultado de la interaccin del clima a gran escala con los detalles a escala regional. Por tanto, es posible simular el clima global adecuadamente aunque los detalles regionales no se simulen de modo totalmente realista. De hecho, esta dependencia por parte del clima regional de los factores a gran escala es precisamente el mecanismo que se explota en modelizacin regional para deducir el clima en estas escalas a partir de las simulaciones proporcionadas por los AOGCM. La modelizacin a escala regional surge de la motivacin de solventar estas limitaciones en los AOGCM y entender mejor los procesos que contribuyen a la variabilidad climtica regional as como la necesidad
53
de evaluar los cambios que se pueden producir en estas escalas espaciales en el contexto de la prediccin meteorolgica, estacional, anual, decadal y secular. La demanda ms importante se encuentra en estos momentos en la necesidad de disponer de informacin de alta resolucin espacial y temporal para estudios de impacto y diseo de polticas de adaptacin al cambio climtico. Como las proyecciones climticas realizadas con modelos globales para diferentes escenarios de emisin carecen de la suficiente resolucin espacial que demandan la mayora de los usuarios para los estudios de impacto y adaptacin al cambio climtico, es preciso acomodar las proyecciones globales, con resoluciones espaciales del orden de 200-300 km, a las caractersticas regionales o incluso locales, utilizando diferentes tcnicas de regionalizacin o reduccin de escala (downscaling). Estas tcnicas adaptan las salidas de los modelos globales a las caractersticas fisiogrficas de una determinada regin vistas con una resolucin apta para ser directamente utilizada por las distintas aplicaciones que tienen como datos de entrada las proyecciones climticas (bien en rejillas regulares o en las posiciones de los observatorios) (WILBY y WIGLEY, 1997). Algunas instituciones utilizan la alternativa del doble anidado en la que se realizan, como paso intermedio previo a la regionalizacin, simulaciones globales con un modelo atmosfrico de mayor resolucin (aproximadamente entre 100 y 150 km). Este enfoque (HULME et al., 2002), si bien recomendable, introduce aumentos considerables en los requerimientos computacionales. Todas las tcnicas de regionalizacin parten de las proyecciones suministradas por los AOGCM a los que dotan de detalles de escala ms pequea asociados con informacin adicional de orografa, usos de suelo, etc. En consecuencia, las proyecciones regionalizadas heredan todos los defectos y debilidades de los modelos padre globales. Si el modelo global simula incorrectamente aspectos de la variabilidad a gran escala relevantes para el clima regional/local, carece de sentido regionalizar proyecciones climticas realizadas con el mismo. Ahora bien, si la simulacin de la variabilidad climtica natural es aceptable, entonces tiene sentido trasladar la informacin de los patrones globales a informacin local. Es importante tener tambin en cuenta que debido a que la variabilidad natural es mayor en las escalas regionales y locales que en la gran escala, las proyecciones de cambio climtico en escalas regionales estarn sometidas forzosamente a ms incertidumbre que las de los AOGCM. Esta limitacin de las tcnicas de regionalizacin debe tenerse siempre presente. Los AOGCM proporcionan las proyecciones climticas a gran escala y las tcnicas de regionalizacin introducen los detalles en las escalas no resueltas por la rejilla de los modelos globales. En este proceso se incluye informacin relevante que permite aumentar la resolucin de las proyecciones climticas, incorporando relaciones entre variables a ms resolucin que la proporcionada por los AOGCM o resolviendo procesos fsicos en estas escalas, ahora bien, se incluyen tambin incertidumbres adicionales que hay que estimar. Existen diferentes tcnicas que implican un muy distinto nivel de complejidad pero que se pueden agrupar en dos grandes categoras: (i) regionalizacin dinmica y (ii) regionalizacin estadstica. Ambas tcnicas de regionalizacin se conocen y se han aplicado desde los aos 70 y 80 del siglo pasado en la prediccin numrica del tiempo mediante el uso muy extendido de modelos atmosfricos de rea limitada y de tcnicas de adaptacin estadstica basadas en relaciones empricas entre variables, tales como el MOS (Model Output Statistics) y el Perfect Prog (Perfect Prognosis). Aunque estas tcnicas se han aplicado en distintas escalas temporales (por ejemplo, en la prediccin a corto plazo), las aplicaciones de cambio climtico requieren de modelos estadsticos y modelos de rea limitada que tengan en cuenta los procesos de escala interanual. Las tcnicas de regionalizacin dinmica, que se basan en el uso de modelos regionales o de rea limitada (RCM), tienen la ventaja de ser fsicamente consistentes y la desventaja de necesitar un gran volumen de clculo. Las tcnicas de regionalizacin estadstica agrupan multitud de algoritmos entre los que se incluyen los mtodos de clasificacin, los modelos de regresin y los generadores de tiempo (IPCC, 2001). Las tcnicas estadsticas se basan en relaciones cuantitativas entre variables atmosfricas de gran escala (predictores) y las variables locales de superficie (predictandos), usualmente precipitacin y temperatura mxima y mnima. Las tcnicas estadsticas son relativamente simples y normalmente requieren poco clculo, aunque los nuevos mtodos no lineales desarrollados recientemente se basan en costosos algoritmos de optimizacin no lineal y requieren un tiempo mayor de cmputo. La regionalizacin estadstica se basa en la hiptesis de que las relaciones establecidas entre los predictores y predictandos son invariables frente al cambio en el clima; esta es una desventaja de este
54
tipo de tcnicas frente a los modelos dinmicos. Aunque existen multitud de tcnicas de tipo estadstico, que proporcionan resultados diferentes, no es posible determinar cul de ellas es la mejor, pues ninguna de ellas es superior al resto en todas las regiones y para todas las variables, tal y como aparece en las conclusiones del proyecto STARDEX (del 5. FP UE, 2002-2005). Un problema similar se presenta en los RCM en lo que respecta al uso de distintas parametrizaciones fsicas. El procedimiento antes esbozado para generar proyecciones climticas regionales/locales, basado en AOGCM que suministran informacin, bien sea en forma de condiciones de contorno para modelos regionales, o bien en forma de predictores (basados en las variables atmosfricas a gran escala) para las tcnicas empricas, no permite incluir las posibles retroalimentaciones de las escalas regionales/ locales en las escalas globales. Estas posibles retroalimentaciones podran tratarse, por ejemplo, utilizando modelos anidados con flujo de informacin en los dos sentidos (two-way nesting, en ingls) o modelos globales con rejilla variable. El procedimiento basado en el anidado en dos sentidos requiere que las integraciones de ambos modelos, global y regional, se realicen simultneamente. Esta limitacin es muy restrictiva desde el punto de vista operativo, y muy poco habitual incluso para predicciones a corto plazo. La otra alternativa basada en el uso de modelos globales con rejilla variable presenta otros problemas asociados con las posibles opciones de parametrizacin de los procesos fsicos, que en principio son dependientes de la resolucin de los modelos. Una alternativa interesante en este contexto es la realizacin de experimentos de sensibilidad del clima a gran escala a cambios en las condiciones locales que pueden imponerse a travs de cambios en alguna parametrizacin, cambios repentinos en la cubierta vegetal o usos de suelo, etc. Este tipo de estudios se conocen con frecuencia como de upscaling y permiten estudiar la influencia de cambios a escala local/regional en el clima a gran escala. Un ejemplo interesante lo constituye la vlvula salina de los flujos a travs del Estrecho de Gibraltar. Un tema igualmente importante y con frecuencia relacionado con el anterior por su carcter frecuentemente local, es el de los posibles procesos umbral (tipping points) que, si bien representan escenarios de baja probabilidad en el siglo XXI, son procesos plausibles que se deben tener en cuenta. Adems del ya mencionado ejemplo relacionado con el estudio del papel de vlvula salina en el Estrecho de Gibraltar, se pueden mencionar tambin los cambios en la circulacin termohalina en el Atlntico Norte (SCHELLNHUBER y HELD, 2002). A continuacin se pasar a describir los mtodos y algoritmos de regionalizacin utilizados en este informe.
Como se ha mencionado, las tcnicas de regionalizacin basadas en modelos regionales tienen la ventaja de ser fsicamente consistentes y, por lo tanto, proporcionar una descripcin de la atmsfera basada en todas las variables del modelo y la clara desventaja de necesitar un gran volumen de clculo. Adems, el hecho de que las condiciones de contorno no sean un problema matemtico bien planteado (STANIFORTH, 1997) origina el problema adicional de que el modelo anidado cambia las escalas grandes suministradas por el modelo global, mostrando una dependencia de los resultados con la posicin y orientacin del dominio de integracin. Este hecho podra limitar la credibilidad de los resultados. Recientemente VON STORCH et al. (2000) y MIGUEZ -MACHO et al. (2004) han propuesto una solucin al problema imponiendo la condicin de que la simulacin regional converja en las escalas grandes a la del modelo global, considerada verdadera. Esta mejora no se ha introducido en la mayora de las simulaciones climticas regionales disponibles hasta la fecha. Sin embargo, a esta tcnica de ajuste (nudging) a las escalas grandes proporcionadas por el modelo global se le puede objetar la reduccin de grados de libertad y la excesiva dependencia de las simulaciones de los modelos regionales a las proporcionadas por el modelo global.
55
El gran volumen de clculo que implica la integracin de modelos regionales de clima hace que el nmero de estas integraciones sea relativamente pequeo globalmente hablando, si bien ciertas regiones del globo, entre las que se incluye Europa, se han beneficiado de algunos proyectos que han explorado exhaustivamente esta va de obtener proyecciones climticas regionales. Este gran volumen de clculo implica un claro desfase en el tiempo entre la disponibilidad de resultados de modelos globales y la correspondiente disponibilidad de resultados de modelos regionales. De hecho, los resultados que aparecen en el AR4 IPCC (2007) sobre Europa basados en RCM se refieren principalmente a integraciones que utilizan los modelos globales del TAR IPCC (2001). Los RCM capturan mejor la variacin en Europa tanto de temperatura como de precipitacin que los AOGCM. La mayora, pero no todos los RCM, tambin tienden a sobreestimar la variabilidad interanual de las temperaturas en Europa central y meridional (LENDERINK et al., 2007; VIDALE et al., 2006; JACOB et al., 2006). La excesiva variabilidad de la temperatura coincide con la excesiva variabilidad interanual en radiacin de onda corta o evaporacin, o en ambas simultneamente (LENDERINK et al., 2007). De ello se concluye que se precisa de una mejora en la descripcin de los procesos de suelo, capa lmite y nubes. Uno de los parmetros de los modelos que puede ser clave es la profundidad del suelo en los mismos, que parece ser demasiado pequea en muchos RCM (VAN DEN HURK et al., 2005). A efectos de este primer informe sobre proyecciones climticas regionalizadas sobre Espaa y teniendo en cuenta la cantidad de recursos que consume la integracin de modelos climticos regionales sobre perodos extensos (decadales y seculares), pareca que la solucin ms razonable fuera aprovechar los resultados generados recientemente y con frecuencia no suficientemente explotados en el contexto de los proyectos europeos, en lugar de aadir alguna integracin adicional a las actualmente existentes calculada expresamente para los fines de este proyecto. Entre los proyectos recientes que han explorado la utilidad de la regionalizacin dinmica sobre Europa destaca el proyecto PRUDENCE. En el proyecto PRUDENCE han participado ms de 20 grupos de investigacin europeos y entre sus principales objetivos est el proporcionar proyecciones regionalizadas de cambio climtico para Europa mediante regionalizacin dinmica para finales del siglo XXI. Tambin es un objetivo principal la exploracin de la incertidumbre asociada a estas proyecciones. En el proyecto se han estudiado cuatro fuentes de incertidumbre: (i) (ii) (iii) (iv) incertidumbre de muestreo, por el hecho de que el clima del modelo se estima como un promedio sobre un nmero finito de aos (30); incertidumbre por el modelo regional, por el hecho de que los RCM utilizan tcnicas diferentes para discretizar las ecuaciones y para representar los procesos subrejilla; incertidumbre por las emisiones, por la diferente eleccin de escenarios de emisin IPCC-SRES; e incertidumbre por el contorno, por las diferentes condiciones de contorno obtenidas a partir de diferentes modelos climticos globales.
El proyecto PRUDENCE ha creado una base de datos muy valiosa que todava est por explorar y analizar en detalle sobre la Pennsula Ibrica e Islas Baleares. La base de datos incorpora datos de regionalizacin de 10 modelos regionales forzados con un nico modelo global (HadAM3), adems de resultados de otros modelos regionales forzados con salidas de otros modelos globales (ECHAM4/OPYC, ECHAM5, ARPEGE/OPA) distintos del HadAM3. Estos datos conjuntamente con los de los modelos globales permiten proporcionar proyecciones a ms resolucin (en el entorno de los 50 km) y explorar la incertidumbre asociada a los diferentes modelos regionales. La base de datos PRUDENCE contiene dato diario de las proyecciones climticas para el perodo 2071-2100, siendo especialmente interesantes todos los campos relacionados con el ciclo del agua (precipitacin, evapotranspiracin, escorrenta, humedad del suelo) que permiten estimar la contribucin a los distintos trminos del balance proporcionada por los diferentes modelos regionales. En este informe se describe la extraccin que se ha realizado de la base de datos original de PRUDENCE (http://prudence.dmi.dk) para estudios de impacto sobre la Pennsula Ibrica e Islas Baleares. La extraccin consiste en una ventana centrada sobre la zona de inters y la interpolacin de una seleccin de campos a una rejilla comn que permita una ms fcil exploracin y comparacin de los resultados obtenidos con los diferentes RCM y con los mtodos estadsticos descritos en este informe.
56
En la tabla 5.1 se presenta un resumen de las configuraciones de la malla y del esquema de relajacin en los contornos laterales usados en cada uno de estos modelos.
Resolucin horizontal y n. de celdillas (n x n y ) 50-70 km (sobre Europa) 0,5 (55 km) 81 91 0,44 (50 km) 106 111 0,44 (50 km) 110 104 0,5 (55 km) 97 109 50 km Lambert 119 98 50 km Lambert 112 96 0,5 (55 km) 101 107 0,44 (50 km) 90 86 0,44 (50 km) 94 80 Puntos y esquema de relajacin 8 Davies 1976 10 Davies 1976 8 Davies 1976 11 Giorgi et al., 1993a,b 10 Davies 1976 8 Davies 1976 8 Davies 1976 8 (16 u,v) Davies 1976 Niveles verticales 31 20 19 19 19 16 28 20 24 31
Centro CNRM ETH HC DMI MPI ICTP UCM GKSS SMHI KNMI
Modelo ARPEGE CHRM HadRM HIRHAM REMO RegCM PROMES CLM RCAO RACMO
Tabla 5.1. Relacin de centros y modelos regionales en el proyecto PRUDENCE, con las configuraciones de la malla y las condiciones de contorno laterales usadas por cada modelo.
Tabla 5.2. Concentraciones globales medias de CO2 (en ppm de C) y de aerosol sulfato SO4= (en Tg de S). Fuente: IPCC (2001).
Todos los RCM utilizaron los valores de contorno, de SST y de cubierta de hielo marino actualizados cada 6 horas, que fueron suministrados por el modelo global al que se anidaron (HadAM3 ECHAM4). El modelo HadAM3 es un modelo atmosfrico que refina la resolucin de la componente atmosfrica del modelo acoplado atmsfera-ocano HadCM3. Mientras que la resolucin de la componente atmosfrica del HadCM3 es de aproximadamente 300 km, la resolucin del HadAM3 es de 150 km. Mientras
58
que los valores de SST y cubierta de hielo marino suministrados por el modelo global acoplado ECHAM4 en los dos perodos de estudio corresponden puramente a simulaciones, los utilizados en el perodo de control (1960-90) por el modelo global HadAM3, y consecuentemente por los RCM anidados, se tomaron de la base de datos HadISST (RAYNER et al., 2003) construida a partir de observaciones, y los del perodo del escenario (2070-2100) corresponden a simulaciones climticas del modelo global acoplado atmsfera-ocano HadCM3. No obstante, en el caso del modelo RCA-O del SMHI, los valores de SST y hielo en la regin del mar Bltico corresponden a la propia simulacin con este RCM acoplado. En la figura 5.1 se muestra un esquema que resume las principales caractersticas de todas las simulaciones.
Valores iniciales
Valores de SST
Valores de SST
Valores de contorno
Valores iniciales
Valores de SST
En resumen, todos los RCM han realizado las simulaciones de clima actual (1960-90) y de clima futuro (2070-2100) con el escenario de emisiones A2 utilizando las condiciones iniciales y de contorno proporcionadas por el modelo global atmosfrico HadAM3. Adems, unos cuantos RCM han realizado simulaciones de clima futuro con el escenario de emisiones B2 utilizando tambin las condiciones iniciales y de contorno del modelo HadAM3. Finalmente, dos RCM han llevado a cabo, adems, los tres experimentos (control y escenarios A2 y B2) utilizando valores iniciales y de contorno proporcionados por el modelo global acoplado ECHAM4/OPYC. En la tabla 5.2 se presentan las simulaciones realizadas por los diversos modelos climticos regionales, que a partir de ahora se identificarn por las siglas del centro donde cada uno se ha desarrollado, en vez de por sus propios nombres. La correspondencia entre modelo y centro se muestra en la tabla 5.1. Por consiguiente, se dispone de los resultados de un total de 31 simulaciones de clima actual y futuro, realizadas por diez modelos con resolucin horizontal de aproximadamente 50 km y cubriendo un dominio geogrfico que abarca la mayor parte de Europa. En la figura 5.2 se muestran los dominios usados por los RCM en PRUDENCE. El dominio del CNRM no se incluye pues es un modelo global y tampoco el del modelo del ICTP, aunque es muy similar al de la UCM.
59
DMI
HC
SMHI
MPI
KNMI
GKSS
ETH
UCM
Figura 5.2. Dominios usados por diversos RCM participantes en PRUDENCE. El recuadro interior indica el dominio efectivo del modelo, excluida la zona de relajacin en los contornos laterales.
60
Paso 1
de co Ban dato s de refe r
e ra d Altuotencial a geop500 hP de
94 tura 1-19 Tempera a 196 mnima diari para mperatuara a Te xim enci
m a diari
Da s i,
* Espesor 1000/500 hPa observado sobre el punto de grid los das i, j, k ... * Funcin sinusoidal del da del ao, para los das i, j, k ... * Media ponderada de las temperaturas medias ((mx.+mn.)/2) observadas en el punto de grid los 10 das anteriores, para los das i, j, k ...
Da 12 418 Da k Da j Da i Da 1
Da 1
e sd s ato lare a e d imi d o d s s al ... nc s m icos) , j, k a i l b a r El mtodo busca, entre todos los das del banco de de d sf as a, n mo s d datos de referencia, los das con configuraciones ion os at lo atmosfricas ms similares al da problema X. elecc cia, l pos . Son S ren cam X e s ref n su ema (e obl pr
DETERMINACIN DE LAS ECUACIONES LINEALES Para cada punto de grid (hay 203), se obtienen 2 ecuaciones lineales, mediante regresin mltiple con seleccin de predictores forward y backward. La muestra sobre la que se determinan las regresiones se compone de los predictores (espesor observado 1000/500 hPa; seno del da del ao; media ponderada de las temperaturas medias observadas los 10 das anteriores sobre el punto de grid) y el predictando (Tmx. Tmn. observada en el punto, de los n (150) das ms similares.
PREDICTORES PARA LA APLICACIN DE LAS ECUACIONES * Espesor 1000/500 hPa sobre el punto de grid, estimado para el da X * Funcin sinusoidal del da del ao, para el da X * Media ponderada de la temperatura media estimada (previamente) para los 10 das anteriores (X1, X2, ..., X10)
APLICACIN DE LAS ECUACIONES LINEALES Las 203 2 (temp. mx./mn.) ecuaciones lineales obtenidas, son aplicadas utilizando como predictores los correspondientes valores para el da X (advirtase el feed-back derivado del uso de las temperaturas medias estimadas los 10 das anteriores para el punto de grid).
Configuraciones atmosfricas de baja resolucin del da problema X, cuyos campos de efectos en superficie de alta resolucin se desean estimar.
Feed-back
El campo de alta resolucin de precipitacin estimado para el da X es el promedio de los campos de precipitacin observados los das i, j, k ..., obtenidos del banco de datos de referencia (para precipitacin, n = 6).
Los campos de alta resolucin de temperatura mxima y mnima estimados para el da X se obtienen mediante la aplicacin independiente de las 203 (puntos de grid) 2 (mx./mn.) ecuaciones lineales de regresin.
Paso 2
Figura 5.3. Resumen de los dos pasos que utiliza el mtodo basado en anlogos.
para la elevacin/descenso de masas de aire y, por tanto, influyen directamente sobre los fenmenos de precipitacin y nubosidad. Adems, el flujo geostrfico en 1 000 hPa contiene informacin sobre la direccin del viento en superficie y, por tanto, sobre los efectos que la topografa puede ejercer en el reparto espacial de las variables nubosidad y precipitacin. En el segundo paso, se aplican procedimientos diferentes para la estima de las variables precipitacin y temperaturas. Para el caso de las temperaturas mxima y mnima diarias, se realiza, para cada una de estas variables, una regresin lineal mltiple con seleccin automtica de predictores. La poblacin de trabajo est compuesta por los n das seleccionados en el paso anterior. Los predictores ofrecidos para su eventual seleccin son, por una parte, valores de variables atmosfricas (espesores de capas bajas de la atmsfera) en la vertical del punto para el que se desea estimar la temperatura en superficie. Por otra parte, tambin se ofrecen como predictores potenciales, un indicador de la duracin de la noche en el da en cuestin (que mide el potencial de calentamiento/enfriamiento radiativo), y un promedio ponderado de las temperaturas de los das anteriores (que considera el efecto de la inercia trmica del suelo). Una vez determinada la relacin lineal existente entre los predictores seleccionados y la variable predictando (temperatura mxima o mnima), se aplica dicha relacin a los valores de los predictores del da X para estimar el valor del predictando en este da problema. La influencia fuertemente no lineal que la nubosidad y la precipitacin tienen sobre las temperaturas en superficie se considera gracias a la previa estratificacin analgica. En efecto esta seleccin garantiza que las condiciones de nubosidad y precipitacin en los n das sean muy similares y, por tanto, tambin su influencia sobre el predictando. Tras esta estratificacin, por tanto, las relaciones entre los predictores descritos y la temperatura en superficie son mucho ms lineales y robustas. Por ejemplo, la relacin entre la temperatura mxima a 2 metros y el espesor de la baja troposfera es fuertemente no lineal, en funcin de las condiciones atmosfricas. Cuando se trata de das cubiertos, la temperatura mxima est prcticamente determinada por el espesor, siendo la relacin mucho ms lineal. Por ello, la estratificacin analgica, que selecciona das muy parecidos en cuanto a nubosidad, permitir detectar la relacin lineal que en ellos existe entre temperatura mxima y espesor. Sin embargo, si se trata de das despejados, el espesor tiene menor influencia en la mxima, que se ve dirigida por la insolacin, que a su vez depende de la poca del ao.
62
Para el caso de la precipitacin, el esquema de la figura 5.3 contempla la estima por simple promediado de los k das anlogos ms parecidos a X. Se pretende mejorar la metodologa empleando el mtodo de los k vecinos. De nuevo la poblacin de trabajo est compuesta por los n das seleccionados en el paso anterior. La medida de similitud utilizada para elegir esos k vecinos en la poblacin de n das, se determina en un proceso de seleccin automtica de predictores en el que se mide la capacidad discriminante con respecto a la cantidad de precipitacin. Los predictores ofrecidos para su posible seleccin son valores de variables atmosfricas (humedades, convergencia de flujo, advecciones trmicas o de humedad, estabilidades, ...) en la vertical del punto para el que se desea estimar la precipitacin. Una vez determinada la medida de similitud, se buscan los k das de la poblacin de n, con valores (de los predictores seleccionados) ms similares al da problema X. Del anlisis de los valores de precipitacin de esos k das se obtiene la estima de precipitacin para el da X. El proceso descrito para un punto y un da concretos se generaliza para el conjunto de puntos (observatorios) y das para los que se desea estimar las variables de superficie. La forma en la que se determinan las situaciones anlogas se describe a continuacin. Debe resaltarse que los predictores no son en general valores en puntos, sino campos (ms fiablemente simulados por los GCM). La ventana atmosfrica utilizada cubre el rea 55N-30N 27,5O-15E, y tiene tres subventanas, con diferentes pesos cada una de ellas (figura 5.4). La medida de similitud utilizada es una media de las seudodistancias eucldeas estandarizadas entre los campos de viento geostrfico en 1 000 y 500 hPa. En este caso se han utilizado los campos de viento geostrfico a las 12 horas.
55N
50N
45N
40N
35N
30N 25E 20E Para 15E 500 hPa: 10E : P=2 : P=8 5E 0E : P=1 : P=4 5E 10E : P=0 : P=1 15E
63
Como se ha indicado, el mtodo debe funcionar lo mejor posible a escala diaria: la medida de similitud entre dos das debe ser una magnitud escalar (para permitir ordenar) que exprese el parecido entre estos dos das, en lo referente a sus campos de viento geostrfico en 1 000 y 500 hPa. La similitud entre dos das se calcula determinando (y estandarizando) por separado el parecido entre cada uno de los 4 predictores p: El campo de velocidades del viento geostrfico en 1 000 hPa El campo de direcciones del viento geostrfico en 1 000 hPa El campo de velocidades del viento geostrfico en 500 hPa El campo de direcciones del viento geostrfico en 500 hPa
La similitud entre los das i y j en lo referente a cada uno de esos predictores p (por ejemplo, a la velocidad en 1 000 hPa) se obtiene como una seudodistancia eucldea:
Dvel1000(i, j) =
N
k=1
donde Vel1000ik es el valor de la velocidad del viento geostrfico en 1 000 hPa para el da i en el punto k del grid usado para representar el campo atmosfrico (figura 5.4); Pk es el coeficiente de peso del punto k (los valores de Pk son diferentes para 1 000 y 500 hPa); y N es el nmero total de puntos de la rejilla (198), que est determinado por el dominio espacial (55N-30N 27,5W-15E) y por la resolucin (2,5 2,5; lat. lon.), para el reanlisis NCEP/NCAR (National Center for Atmospheric Research), (KALNAY, 1996) de dicha rejilla. Una vez calculado Dvel1000(i, j), debe estandarizarse, para poder integrarse con la disimilitud de los otros tres predictores (direccin en 1 000 hPa, velocidad en 500 hPa y direccin en 500 hPa), ya que las unidades no son iguales en los 4 casos (por ejemplo, velocidades en m/s, y direcciones en radianes; y las velocidades en 1 000 y en 500 tampoco son comparables, por tener diferente magnitud). Esa estandarizacin se realiza sustituyendo el Dvel1000(i, j) por centvel1000, que es el centil ms prximo al valor de Dvel1000(i, j), de una poblacin de referencia de seudodistancias eucldeas entre campos predictores vel1000. Los valores de los centiles se obtienen previamente, obviamente de forma independiente para cada predictor p, entre una poblacin de ms de 1 000 000 de valores de Dp, calculados aplicando la frmula anterior, con los mismos valores de Pk, a das seleccionados al azar (por ejemplo, das mltiplo de 10). Si el valor ms prximo a Dvel1000(i, j) es centvel1000 = c, eso significa que aproximadamente el c% del 1 000 000 de valores de Dvel1000 son menores que Dvel1000(i, j). El uso del centil en lugar de los Dp, permite utilizar en la medida de similitud variables adimensionales e inicialmente igual ponderadas. Una vez calculados y estandarizados por separado los cuatro Dp(i, j), la medida de similitud final entre los das i y j es: disim(i, j) = w vel1000 cent vel1000 + w dir1000cent dir1000 + w vel500 cent vel500 + w dir500cent dir500 , donde wp es el coeficiente de peso del predictor p. La combinacin de wp finalmente seleccionada ha sido: w vel1000 = 0,25; w dir1000 = 0,25; w vel500 = 0,25; w dir500 = 0,25. El valor igual de los cuatro coeficientes wp indica que los 4 predictores (velocidad y direccin del viento geostrfico en 1 000 y en 500 hPa) son igualmente importantes en el diagnstico de la precipitacin. Los valores de los coeficientes Pk seleccionados ponen de manifiesto el hecho de que los vientos ms prximos son los que mayor influencia tienen en la precipitacin, especialmente en 1 000 hPa (por ello en ese nivel los puntos ms alejados pesan 0). El mtodo de downscaling expuesto se ha aplicado a todas las estaciones del INM que han pasado el filtrado de completitud (ms de 19 aos con dato anual), que suponen 782 y 2 821 para temperatura y precipitacin, respectivamente, asignndoselas un flag de calidad a las 373 estaciones termomtricas y a las 2 326 pluviomtricas que adems pasan los tests de homogeneidad descritos en Sec. 2.3.
64
65
El proceso y mtodo de estima de las temperaturas mximas y mnimas es similar al descrito anteriormente, con la diferencia de que los valores de temperatura de los anlogos se toman en los puntos de la rejilla citada y, por tanto, las estimas se realizan en dichos puntos. Por lo que se refiere a la estima de precipitacin, los anlogos sinpticos se buscan utilizando la similitud de los campos de las componentes u y v del viento geostrfico tipificadas. La estima de precipitaciones se hace promediando la precipitacin que presentan en el punto de estima el conjunto de anlogos sinpticos al da problema, tomados de la base de datos de situaciones sinpticas y campos de precipitaciones asociadas, que ya hemos mencionado; dicho promedio es una media ponderada siendo los pesos funcin de la similitud de cada anlogo con el da problema. El nmero N de anlogos a utilizar depende de la mayor o menor frecuencia con que se presenta en la climatologa sinptica el tipo sinptico al que pertenece el da problema, y adems del propio punto de estima; este nmero N se determina previamente buscando el nmero que, en cada caso, minimice el error cuadrtico medio. Para determinar la similitud de los anlogos con el da problema se tiene en cuenta la similitud sinptica de los campos de valores tipificados de las componentes de viento geostrfico, segn la siguiente ecuacin: dc = en donde:
i ti i
w (c c ) 2 wi
c representa a una componente cualquiera (u1000 , v1000 , u500 , v500 ) del viento geostrfico; ci representa el valor de la componente c de viento geostrfico en el punto de rejilla i para una situacin sinptica cualquiera de la base de referencia; cti representa igualmente el valor de la componente c del viento geostrfico en el punto de rejilla i pero, en este caso para el da problema; wi es la ponderacin correspondiente al punto de rejilla i; i = 1 ... 198. Una vez calculadas las cuatro distancias d c correspondientes a cada uno de los cuatro campos de componentes de viento geostrfico tipificadas consideradas, se toma la media de ellas como distancia D seleccionando as los 150 elementos de la base de referencia ms anlogos sinpticamente al da problema y que seran aquellos para los que la distancia D sea menor. Al mismo tiempo, para reforzar la similitud, se tiene en cuenta la similitud de los valores tipificados de un conjunto de variables predictoras, calculados en el punto de la rejilla sinptica ms prximo al punto de estima. Esa similitud se obtiene calculando la distancia dp del conjunto de valores tipificados de los predictores utilizados, es decir:
dP =
(ptj pj)2 1
en donde, ptj y pj son, respectivamente, los valores del predictor j tipificado para el da problema y para el elemento cuya similaridad con el da problema se quiere analizar y J es el nmero total de predictores utilizados. As, la similitud final se calcula promediando a su vez la distancia dc obtenida del campo de viento geostrfico tipificado, con la distancia dp obtenida de la similitud de los predictores tipificados. dc + dp D= 2 Se selecciona entonces el conjunto de los N anlogos cuya distancia D al da problema sea menor y se obtiene la precipitacin en el punto de estima mediante la media ponderada de las precipitaciones de los N anlogos, siendo las ponderaciones las inversas del valor D correspondiente. Dependiendo del tipo sinptico al que pertenezca el da problema y del punto de estima en cuestin, se utilizan los predictores ms adecuados que se seleccionan entre los siguientes predictores posibles:
66
geopotencial, componentes del viento geostrfico, y vorticidad geostrfica, calculados en los niveles de 1 000 y 500 hPa, tambin se consideran la intensidad del viento trmico y la tendencia del geopotencial a 1 000 hPa. Para seleccionar los predictores adecuados a cada tipo sinptico y punto de estima, se toma previamente un conjunto suficientemente amplio de elementos que se puedan asociar sinpticamente con el tipo; seguidamente, para esos elementos, se toma la precipitacin en el punto de estima como predictando y los valores de todos los posibles predictores, calculados en el punto de la rejilla sinptica ms prxima al punto de estima; aplicando despus una regresin paso a paso se seleccionan aquellos predictores que resulten significativos. La informacin as obtenida se utilizar en todas las estimaciones que queramos realizar posteriormente (PETISCO et al., 2005).
fenmeno, en caso contrario se procede a la evaluacin del valor del predictando. Este nmero seudoaleatorio toma valores entre 0 y 1. El mtodo de regionalizacin expuesto se ha aplicado a 373 estaciones termomtricas y a 2 326 estaciones pluviomtricas. Estas estaciones han sido previamente seleccionadas, en funcin del nmero de datos y de la homogeneidad de sus series, de entre todas las disponibles en la base de datos climatolgica del INM (vase Sec. 2.3). El nmero de predictores utilizados ha sido 26 y sus valores se han extrado de la pgina web del Canadian Climate Impacts Scenarios (http://www.cics.uvic.ca/scenarios/sdsm/select.cgi). Estas variables predictoras son tanto salidas directas del modelo como campos derivados obtenidos a partir de los datos del modelo. El modelo de circulacin general utilizado para realizar las proyecciones de cambio climtico ha sido el HadCM3 para los escenarios A2 y B2, mientras que para la calibracin y validacin del mtodo se ha usado el reanlisis NCEP/NCAR (KALNAY et at., 1996). Para cada estacin, se han tomado los valores de la variable del punto de rejilla del modelo ms prximo a la misma. Los modelos se han calibrado con los datos correspondientes al perodo 1961-90, se han verificado con los datos observados en el perodo 1991-2001 y se han realizado proyecciones desde el ao 2011 hasta el ao 2099. Para las temperaturas, se ha ajustado el modelo no condicional con la regresin MSAE, mientras que para la precipitacin se ha utilizado el modelo condicional. En este caso, la estimacin de los parmetros se ha realizado por el mtodo MC, a diferencia del mtodo desarrollado por WILBY et al. (2002). La variable intermedia utilizada ha sido la probabilidad mensual de que la precipitacin sea mayor que 0,1 l/m2, y se ha modelado por el procedimiento de KILSBY et al. (1998), que supone una distribucin exponencial. A diferencia de lo expuesto por KILSBY et al. (1998) y W ILBY et al. (2002), la variable utilizada como predictando ha sido la precipitacin diaria de los das con valores de precipitacin superiores a 1 mm. Se ha evitado el uso del valor medio por dos razones; por un lado, Espaa tiene un clima mediterrneo y su precipitacin presenta una gran dispersin y, por otro, el uso de valores promedios para los predictores disminuye su dispersin y, con mucha mayor probabilidad, se pueden alcanzar valores, para las predicciones futuras, que se encuentren fuera del rango de valores con los que se ha calibrado el modelo. El nmero de predictores del modelo vara de una estacin a otra y de un predictando a otro, incluso en el modelo convencional. Los campos utilizados para la probabilidad han sido diferentes a los campos utilizados para la precipitacin diaria, nueva diferencia respecto al mtodo establecido por WILBY et al. (2002), donde los campos ajustados en el modelo condicional son los mismos tanto para la variable intermedia como para la precipitacin. En general, los ajustes obtenidos para las temperaturas extremas son bastante mejores que los obtenidos para la precipitacin, ya que esta ltima es una variable con una gran variabilidad tanto espacial como temporal, sobre todo cuando se analiza a escala diaria. Para la temperatura mxima, se han obtenido coeficientes de determinacin superior o igual a 0,9 en el 93% de las estaciones analizadas. Para la temperatura mnima, el nmero de estaciones que cumplen ese criterio desciende al 82%. Sin embargo, si se considera el ajuste realizado para la probabilidad mensual de precipitacin, solo el 48% de las estaciones tienen un coeficiente de determinacin superior o igual a 0,8.
Pennsula Ibrica. Los ndices de circulacin tal y como se utilizan aqu constituyen, ms que una tcnica de mejora de resolucin, una tcnica complementaria de regionalizacin para el clculo de una variable derivada como los volmenes de precipitacin. En esta aplicacin se utilizan los datos de volmenes mensuales de precipitacin en las cuencas hidrogrficas de la Espaa peninsular para el perodo 1948-2003. Las variables de geopotencial en 500 y 1 000 hPa se han obtenido de los reanlisis ERA40 y NCEP/NCAR tambin para el perodo 1948-2003, utilizando una rejilla de 5 de resolucin horizontal sobre un dominio 20N a 65N y 35O a 30E que incluye gran parte de Europa y del Atlntico Norte y sita en la zona central a la Pennsula Ibrica. Los datos disponibles cada 6 horas se han promediado para trabajar con un nico valor diario. Definiciones de los ndices de circulacin El ndice de ciclonidad C da cuenta del carcter ciclnico o anticiclnico de la circulacin en el perodo en consideracin. A partir de los campos de geopotencial se obtienen diariamente en el punto los valores del viento y de la vorticidad geostrficos. Estos valores se comparan entre s y segn sea el valor absoluto de la vorticidad mucho mayor, mayor o igual aproximadamente al valor del flujo, asignamos al ndice el valor 2, 1, 0 (MURRAY y LEWIS, 1966; JENKINSON y COLLISON, 1977; JONES, HULME et al., 1993) con signo positivo si la vorticidad es positiva y signo negativo si es negativa. Sumando estos valores para todos los das del perodo se obtiene el ndice de ciclonidad C del perodo (figura 5.6). Valores positivos del ndice C en un perodo dado indican un predominio de las situaciones ciclnicas sobre las anticiclnicas en dicho perodo.
Z = VORTICIDAD GEOSTRFICA Z=2F 1 Z=F
2 3
F = FLUJO GEOSTRFICO
Figura 5.6. Asignacin del valor diario del ndice ciclnico segn sean los valores del flujo y vorticidad geostrfica. En las zonas 1 y 6 se asigna valor +2 y 2, respectivamente; en las zonas 2 y 5 se asigna el valor +1 y 1, respectivamente; en las zonas 3 y 4 se asigna el valor 0. En la zona 7, de valores pequeos, tambin se asigna el valor 0.
Z=F
F=0
Z=2F
El ndice de componente sur S indica la direccin de procedencia del viento asignando los mayores valores (+2) a los vientos provenientes del sur y los menores (2) a los del norte. Los vientos del oeste y del este aportan 0 puntos. Los intermedios, un punto positivo o negativo. Valores altos de este ndice indican que en el perodo dado ha predominado la adveccin de viento del sur. El ndice de meridionalidad M se calcula de igual manera salvo que nunca adjudica valores negativos, obteniendo como consecuencia un ndice que no considera si el viento es de componente norte o sur. El ndice de progresin P considera progresivas las situaciones del oeste (+2), bloqueadas las del este (2) y en menor grado las meridionales (1). En situaciones ciclnicas o anticiclnicas se tiene en cuenta la evolucin a partir de los das anteriores (MURRAY y LEWIS, 1966). En un perodo determinado el valor de los ndices es la suma algebraica de los valores asignados para cada uno de los das del perodo. Con la ayuda de estos ndices se puede estudiar la circulacin atmosfrica de un perodo dado de una manera cuantitativa y sencilla. La utilidad de los ndices de circulacin para el anlisis de situaciones sinpticas reside en su significado fsico, su sencillez y flexibilidad. Pueden tambin utilizarse para analizar la variabilidad del clima y posibles cambios de los patrones de circulacin atmosfrica.
69
El mtodo de regionalizacin relaciona los volmenes mensuales de precipitacin en cuencas hidrogrficas de la Espaa peninsular y los valores mensuales de ndices de circulacin derivados del geopotencial en 500 y 1 000 hPa, durante un perodo que, en este caso, se circunscribe a 1948-2003. Se construye una ecuacin de regresin en el perodo de 1948 a 1993 para cada mes y cuenca hidrogrfica que se valida en el perodo 1994-2003 (MARTN y PETISCO, 2006). Una vez construida la ecuacin de regresin, que como hiptesis se considera invariable en el tiempo, se aplica a las diferentes salidas de los modelos climticos de circulacin general, tanto en el perodo de control (1961-1990) como en los escenarios de proyecciones futuras. Este mtodo en su actual aplicacin no implica una reduccin de escala propiamente hablando, ya que no se realiza un aumento de resolucin sino ms bien de una regresin entre la gran escala proporcionada por los modelos y una variable de superficie como en este caso es el volumen de agua de una cuenca hidrogrfica. No obstante, podra fcilmente aplicarse tambin sobre observatorios y en ese sentido sera un mtodo de regionalizacin comparable a los otros descritos en este informe.
70
71
72
Los resultados de las proyecciones regionalizadas se presentan a continuacin agrupados por variables para facilitar la discusin de los resultados obtenidos por los diferentes escenarios de emisin, modelos globales y tcnicas de regionalizacin. Se presenta el rango de variacin de las proyecciones para diferentes perodos temporales restringindose al comportamiento de los valores medios.
de verano, aunque menor que el producido por las regionalizaciones estadsticas. La figura 6.8 representa el cambio de temperatura mxima media para invierno (diciembre, enero, febrero) y para el mismo perodo 2071-2100 producido individualmente por cada uno de los modelos regionales participantes en PRUDENCE. El cambio es bastante parecido en los modelos que utilizan las mismas condiciones de contorno y diverge bastante cuando estas varan. El caso del modelo SMHI, integrado con condiciones de contorno del ECHAM4, y del modelo ARPEGE del CNRM, que es un modelo global con rejilla estirada que proporciona mayor resolucin sobre Europa, muestran una distribucin del cambio de temperaturas mximas claramente diferente del resto de los modelos regionales que fueron integrados con condiciones de contorno del HadAM3H. En esta grfica queda claramente patente que la eleccin del modelo global, o la coleccin de modelos globales, a regionalizar es clave en las proyecciones regionalizadas finales. Mientras que los modelos regionales que estn forzados por HadAM3H muestran un claro gradiente de temperaturas mximas en la direccin NO-SE los otros dos modelos, el de SMHI forzado por ECHAM4 y el ARPEGE con rejilla estirada, muestran unas estructuras claramente diferentes. Lo mismo sucede en los meses de verano (junio, julio, agosto), tal y como se muestra en la figura 6.9, pero de forma todava ms acusada. La figura 6.10 muestra la distribucin mensual de la desviacin tpica del cambio proyectado en la temperatura mxima para los diez modelos regionales de PRUDENCE en el perodo 2071-2100 respecto al clima actual (1961-1990) y de nuevo para el escenario de emisin SRES A2. En esta grfica se observa que el grado de acuerdo entre los modelos regionales es menor durante el perodo estival. Las razones de este comportamiento habra que buscarlas quiz en la mayor relevancia durante el verano de los procesos locales, como por ejemplo la conveccin, que estn representados con diferentes parametrizaciones en los diferentes modelos regionales. La figura 6.11 describe el cambio medio de la temperatura mxima para los meses de enero y julio en los diferentes perodos de 30 aos y para los dos escenarios de emisin considerados: A2 (emisiones medias-altas) y B2 (emisiones medias-bajas). Queda patente que el aumento de temperatura no es lineal para los tres perodos a medida que nos alejamos en el tiempo. Tambin se observa claramente que las divergencias entre los distintos escenarios de emisin son claramente mayores en el ltimo perodo. Puede incluso decirse que el primer perodo es bastante insensible al escenario de emisin considerado. Por ltimo, la figura 6.12 muestra las proyecciones para el archipilago canario realizadas con el modelo HadCM3 y aplicando el mtodo de regionalizacin SDSM. En este caso se observa una subida ms moderada de las temperaturas mximas que son claramente atemperadas por la influencia ocenica. Adems, se nota escasamente el ciclo anual en los cambios y que era tan acusado en las regiones no costeras de la Pennsula Ibrica. De nuevo, las diferencias entre los dos escenarios de emisin apenas se notan en el primer tercio del siglo y son claras en el ltimo tercio.
74
ECHAM4_A2_FIC
2011-2040 ANUAL
CGCM2_A2_INM
2011_2040
ECHAM4_A2_INM
2011_2040
HadCM3_A2_SDSM/INM
2011-2040
Figura 6.1. Comparacin del cambio de temperatura mxima media anual para el perodo 2011-2040 respecto al perodo de control (1961-90) proporcionado por las proyecciones regionalizadas utilizando diferentes modelos globales (CGCM2 (izda.), ECHAM4-OPYC (der.), HadCM3 (centro abajo)) y diferentes tcnicas de regionalizacin estadsticas (Anal_FIC(arriba), Anal_INM (centro), SDSM (abajo)). El escenario de emisin SRES comn a todos los modelos es el A2.
75
ECHAM4_A2_FIC
2041-2070 ANUAL
CGCM2_A2_INM
2041_2070
ECHAM4_A2_INM
2041_2070
HadCM3_A2_SDSM/INM
2041-2070
Figura 6.2. Comparacin del cambio de temperatura mxima media anual para el perodo 2041-2070 respecto al perodo de control (1961-90) proporcionado por las proyecciones regionalizadas utilizando diferentes modelos globales (CGCM2 (izda.), ECHAM4-OPYC (der.), HadCM3 (centro abajo)) y diferentes tcnicas de regionalizacin estadsticas (Anal_FIC (arriba), Anal_INM (centro), SDSM (abajo)). El escenario de emisin SRES comn a todos los modelos es el A2.
76
HadAM3_A2_FIC
2071-2100 ANUAL
ECHAM4_A2_FIC
2071-2100 ANUAL
CGCM2_A2_INM
2071_2100
HadAM3_A2_INM
2071_2100
ECHAM4_A2_INM
2071_2100
HadCM3_A2_SDSM/INM
2071-2100
9 RCM de PRUDENCE_HadAM3
2071-2100
Figura 6.3. Comparacin del cambio de temperatura mxima media anual para el perodo 2071-2100 respecto al perodo de control (1961-90) proporcionado por las proyecciones regionalizadas utilizando diferentes modelos globales (CGCM2 (izda.), ECHAM4-OPYC (der.), HadAM3 (centro), HadCM3 (abajo izda.)) y diferentes tcnicas de regionalizacin estadsticas (Anal_FIC (arriba), Anal_INM (centro), SDSM (abajo izda.)) y dinmicas (promedio de los 9 RCM de PRUDENCE (abajo der.)). El escenario de emisin SRES comn a todos los modelos es el A2.
77
ABRIL
MAYO
JUNIO
JULIO
AGOSTO
SEPTIEMBRE
OCTUBRE
NOVIEMBRE
DICIEMBRE
Figura 6.4. Cambio medio mensual de temperatura mxima proyectado para el perodo 2071-2100 respecto al clima actual (1961-1990) por el modelo global HadAM3H y regionalizado con el mtodo de anlogos (FIC) para el escenario de emisin A2.
78
ABRIL
MAYO
JUNIO
JULIO
AGOSTO
SEPTIEMBRE
OCTUBRE
NOVIEMBRE
DICIEMBRE
Figura 6.5. Cambio medio mensual de temperatura mxima proyectado para el perodo 2071-2100 respecto al clima actual (1961-1990) por el modelo global HadCM3 y regionalizado con el mtodo SDSM para el escenario de emisin A2.
79
ABRIL
MAYO
JUNIO
JULIO
AGOSTO
SEPTIEMBRE
OCTUBRE
NOVIEMBRE
DICIEMBRE
Figura 6.6. Cambio medio mensual de temperatura mxima proyectado para el perodo 2071-2100 respecto al clima actual (1961-1990) por el modelo global HadAM3H y regionalizado con el mtodo de anlogos (INM) para el escenario de emisin A2.
80
ENERO
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
FEBRERO
46 44 42 40 38 36 5 0 5 10
MARZO
ABRIL
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
MAYO
46 44 42 40 38 36 5 0 5 10
JUNIO
JULIO
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
AGOSTO
46 44 42 40 38 36 5 0 5 10
SEPTIEMBRE
OCTUBRE
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
NOVIEMBRE
46 44 42 40 38 36 5 0 5 10
DICIEMBRE
81
ENSEMBLE HadAM3
45
ENSEMBLE ECHAM
45
ENSEMBLE
40
40
35 10 5 0 5
35 10 5 0 5
DMI
45 45
ETH
45
GKSS
40
40
40
35 10 5 0 5
35 10 5 0 5
35 10 5 0 5
HC
45 45
ICTP
45
KNMI
40
40
40
35 10 5 0 5
35 10 5 0 5
35 10 5 0 5
MPI
45 45
SMHI
45
UCM
40
40
40
35 10 5 0 5
35 10 5 0 5
35 10 5 0 5
DMI (ECHAM)
45
SMHI (ECHAM)
45
CNRM
40
40
35 10 5 0 5
35 10 5 0 5
82
ENSEMBLE HadAM3
45
ENSEMBLE ECHAM
45
ENSEMBLE
40
40
35 10 5 0 5
35 10 5 0 5
DMI
45 45
ETH
45
GKSS
40
40
40
35 10 5 0 5
35 10 5 0 5
35 10 5 0 5
HC
45 45
ICTP
45
KNMI
40
40
40
35 10 5 0 5
35 10 5 0 5
35 10 5 0 5
MPI
45 45
SMHI
45
UCM
40
40
40
35 10 5 0 5
35 10 5 0 5
35 10 5 0 5
DMI (ECHAM)
45
SMHI (ECHAM)
45
CNRM
40
40
35 10 5 0 5
35 10 5 0 5
83
ENERO
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
FEBRERO
46 44 42 40 38 36 5 0 5 10
MARZO
ABRIL
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
MAYO
46 44 42 40 38 36 5 0 5 10
JUNIO
JULIO
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
AGOSTO
46 44 42 40 38 36 5 0 5 10
SEPTIEMBRE
OCTUBRE
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
NOVIEMBRE
46 44 42 40 38 36 5 0 5 10
DICIEMBRE
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
84
ENERO (2011-2040) B2
ENERO (2041-2070) B2
ENERO (2071-2100) B2
JULIO (2011-2040) A2
JULIO (2041-2070) A2
JULIO (2071-2100) A2
JULIO (2011-2040) B2
JULIO (2041-2070) B2
JULIO (2071-2100) B2
Figura 6.11. Cambio medio para enero (2 filas superiores) y julio (2 filas inferiores) de temperatura mxima proyectada por el modelo global HadCM3 para los perodos 2011-2040 (izda.), 2041-2070 (centro) y 2071-2100 (der.) respecto al clima actual (1961-1990) y regionalizado con el mtodo de regresin (SDSM) para los escenario de emisin SRES A2 y B2.
85
2041-2070 A2
2041-2070 B2
2071-2100 A2
2071-2100 B2
Figura 6.12. Cambio medio anual de temperatura mxima proyectada por el modelo global HadCM3 para los perodos 2011-2040 (arriba), 2041-2070 (centro) y 2071-2100 (abajo) respecto al clima actual (1961-1990) y regionalizado con el mtodo de regresin (SDSM) para los escenario de emisin SRES A2 (izda.) y B2 (dcha.).
86
87
ECHAM4_A2_FIC
2011-2040 ANUAL
CGCM2_A2_INM
2011_2040
ECHAM4_A2_INM
2011_2040
HadCM3_A2_SDSM/INM
2011-2040
Figura 6.13. Comparacin del cambio de temperatura mnima media anual para el perodo 2011-2040 respecto al perodo de control (1961-90) proporcionado por las proyecciones regionalizadas utilizando diferentes modelos globales (CGCM2 (izda.), ECHAM4-OPYC (der.), HadCM3 (centro abajo)) y diferentes tcnicas de regionalizacin estadsticas (Anal_FIC (arriba), Anal_INM (centro), SDSM (abajo)). El escenario de emisin SRES comn a todos los modelos es el A2.
88
ECHAM4_A2_FIC
2041-2070 ANUAL
CGCM2_A2_INM
2041_2070
ECHAM4_A2_INM
2041_2070
HadCM3_A2_SDSM/INM
2041-2070
Figura 6.14. Comparacin del cambio de temperatura mnima media anual para el perodo 2041-2070 respecto al perodo de control (1961-90) proporcionado por las proyecciones regionalizadas utilizando diferentes modelos globales (CGCM2 (izda.), ECHAM4-OPYC (der.), HadCM3 (centro abajo)) y diferentes tcnicas de regionalizacin estadsticas (Anal_FIC (arriba), Anal_INM (centro), SDSM (abajo)). El escenario de emisin SRES comn a todos los modelos es el A2.
89
HadAM3_A2_FIC
2071-2100 ANUAL
ECHAM4_A2_FIC
2071-2100 ANUAL
CGCM2_A2_INM
2071_2100
HadAM3_A2_INM
2071_2100
ECHAM4_A2_INM
2071_2100
HadCM3_A2_SDSM/INM
2071-2100
9 RCM de PRUDENCE_HadAM3
2071-2100
Figura 6.15. Comparacin del cambio de temperatura mnima media anual para el perodo 2071-2100 respecto al perodo de control (1961-90) proporcionado por las proyecciones regionalizadas utilizando diferentes modelos globales (CGCM2 (izda.), ECHAM4-OPYC (der.), HadAM3 (centro), HadCM3 (abajo izda.)) y diferentes tcnicas de regionalizacin estadsticas (Anal_FIC (arriba), Anal_INM (centro), SDSM (abajo izda.)) y dinmicas (promedio de los 9 RCM de PRUDENCE (abajo der.)). El escenario de emisin SRES comn a todos los modelos es el A2.
90
ENERO
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
FEBRERO
46 44 42 40 38 36 5 0 5 10
MARZO
ABRIL
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
MAYO
46 44 42 40 38 36 5 0 5 10
JUNIO
JULIO
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
AGOSTO
46 44 42 40 38 36 5 0 5 10
SEPTIEMBRE
OCTUBRE
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
NOVIEMBRE
46 44 42 40 38 36 5 0 5 10
DICIEMBRE
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
91
92
CAMBIO EN LA PRECIPITACIN
ECHAM4_A2_FIC
ANUAL
CGCM2_A2_INM
2011_2040
ECHAM4_A2_INM
2011_2040
HadCM3_A2_SDSM
50
40
30
20
10
10
20
30
Figura 6.17. Comparacin del cambio de precipitacin anual para el perodo 2011-2040 respecto al perodo de control (1961-90) proporcionado por proyecciones regionalizadas utilizando diferentes modelos globales (HadCM3, CGCM2, ECHAM4-OPYC) y diferentes tcnicas de regionalizacin estadsticas (Anal_FIC, Anal_INM, SDSM). El escenario de emisin SRES comn a todos los modelos es el A2.
93
ECHAM4_A2_FIC
ANUAL
CGCM2_A2_INM
2041_2070
ECHAM4_A2_INM
2041_2070
HadCM3_A2_SDSM
50
40
30
20
10
10
20
30
Figura 6.18. Comparacin del cambio de precipitacin anual para el perodo 2041-2070 respecto al perodo de control (1961-90) proporcionado por proyecciones regionalizadas utilizando diferentes modelos globales (HadCM3, CGCM2, ECHAM4-OPYC) y diferentes tcnicas de regionalizacin estadsticas (Anal_FIC, Anal_INM, SDSM). El escenario de emisin SRES comn a todos los modelos es el A2.
94
CAMBIO EN LA PRECIPITACIN
CGCM2_A2_FIC
ANUAL
HadAM3_A2_FIC
ANUAL
ECHAM4_A2_FIC
ANUAL
CGCM2_A2_INM
2071_2100
HadAM3_A2_INM
2071_2100
ECHAM4_A2_INM
2071_2100
HadCM3_A2_SDSM
9 RCM de PRUDENCE_HadAM3
50
40
30
20
10
10
20
30
Figura 6.19. Comparacin del cambio de precipitacin anual para el perodo 2071-2100 respecto al perodo de control (1961-90) proporcionado por proyecciones regionalizadas utilizando diferentes modelos globales (HadCM3, HadAM3H, CGCM2, ECHAM4-OPYC) y diferentes tcnicas de regionalizacin estadsticas (Anal_FIC, Anal_INM, SDSM) y dinmicas (promedio de los 9 RCM de PRUDENCE). El escenario de emisin SRES comn a todos los modelos es el A2.
95
ABRIL
MAYO
JUNIO
JULIO
AGOSTO
SEPTIEMBRE
OCTUBRE
NOVIEMBRE
DICIEMBRE
50
40
30
20
10
10
20
30
Figura 6.20. Cambio medio mensual de precipitacin (%) proyectado para el perodo 2071-2100 respecto al clima actual (1961-1990) por el modelo global CGCM2 y regionalizado con el mtodo de anlogos (INM) para el escenario de emisin A2.
96
CAMBIO EN LA PRECIPITACIN
ABRIL
MAYO
JUNIO
JULIO
AGOSTO
SEPTIEMBRE
OCTUBRE
NOVIEMBRE
DICIEMBRE
50
40
30
20
10
10
20
30
Figura 6.21. Cambio medio mensual de precipitacin (%) proyectado para el perodo 2071-2100 respecto al clima actual (1961-1990) por el modelo global ECHAM4-OPYC y regionalizado con el mtodo de anlogos (INM) para el escenario de emisin A2.
97
ABRIL
MAYO
JUNIO
JULIO
AGOSTO
SEPTIEMBRE
OCTUBRE
NOVIEMBRE
DICIEMBRE
50
40
30
20
10
10
20
30
Figura 6.22. Cambio medio mensual de precipitacin (%) proyectado para el perodo 2071-2100 respecto al clima actual (1961-1990) por el modelo global HadAM3 y regionalizado con el mtodo de anlogos (INM) para el escenario de emisin A2.
98
CAMBIO EN LA PRECIPITACIN
ENERO
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
FEBRERO
46 44 42 40 38 36 5 0 5 10
MARZO
ABRIL
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
MAYO
46 44 42 40 38 36 5 0 5 10
JUNIO
JULIO
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
AGOSTO
46 44 42 40 38 36 5 0 5 10
SEPTIEMBRE
OCTUBRE
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
NOVIEMBRE
46 44 42 40 38 36 5 0 5 10
DICIEMBRE
50
40
30
20
10
+10
+20
+30
99
ENERO
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
FEBRERO
46 44 42 40 38 36 5 0 5 10
MARZO
ABRIL
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
MAYO
46 44 42 40 38 36 5 0 5 10
JUNIO
JULIO
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
AGOSTO
46 44 42 40 38 36 5 0 5 10
SEPTIEMBRE
OCTUBRE
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
NOVIEMBRE
46 44 42 40 38 36 5 0 5 10
DICIEMBRE
50
40
30
20
10
+10
+20
+30
100
CAMBIO EN LA PRECIPITACIN
2041-2070 A2
2041-2070 B2
2071-2100 A2
2071-2100 B2
50
40
30
20
10
10
20
30
Figura 6.25. Cambio de precipitacin anual proyectada por el modelo global HadCM3 para los perodos 2011-2040 (arriba), 2041-2070 (centro) y 2071-2100 (abajo) respecto al clima actual (1961-1990) y regionalizado con el mtodo de regresin (SDSM) para los escenarios de emisin SRES A2 (izda.) y B2 (dcha.).
101
102
ENERO
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
FEBRERO
46 44 42 40 38 36 5 0 5 10
MARZO
ABRIL
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
MAYO
46 44 42 40 38 36 5 0 5 10
JUNIO
JULIO
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
AGOSTO
46 44 42 40 38 36 5 0 5 10
SEPTIEMBRE
OCTUBRE
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
NOVIEMBRE
46 44 42 40 38 36 5 0 5 10
DICIEMBRE
50
40
30
20
10
+10
+20
+30
103
ENERO
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
FEBRERO
46 44 42 40 38 36 5 0 5 10
MARZO
ABRIL
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
MAYO
46 44 42 40 38 36 5 0 5 10
JUNIO
JULIO
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
AGOSTO
46 44 42 40 38 36 5 0 5 10
SEPTIEMBRE
OCTUBRE
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
NOVIEMBRE
46 44 42 40 38 36 5 0 5 10
DICIEMBRE
50
40
30
20
10
+10
+20
+30
104
ENERO
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
FEBRERO
46 44 42 40 38 36 5 0 5 10
MARZO
ABRIL
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
MAYO
46 44 42 40 38 36 5 0 5 10
JUNIO
JULIO
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
AGOSTO
46 44 42 40 38 36 5 0 5 10
SEPTIEMBRE
OCTUBRE
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
NOVIEMBRE
46 44 42 40 38 36 5 0 5 10
DICIEMBRE
50
40
30
20
10
+10
+20
+30
105
ENERO
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
FEBRERO
46 44 42 40 38 36 5 0 5 10
MARZO
ABRIL
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
MAYO
46 44 42 40 38 36 5 0 5 10
JUNIO
JULIO
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
AGOSTO
46 44 42 40 38 36 5 0 5 10
SEPTIEMBRE
OCTUBRE
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
NOVIEMBRE
46 44 42 40 38 36 5 0 5 10
DICIEMBRE
50
40
30
20
10
+10
+20
+30
106
ENERO
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
FEBRERO
46 44 42 40 38 36 5 0 5 10
MARZO
ABRIL
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
MAYO
46 44 42 40 38 36 5 0 5 10
JUNIO
JULIO
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
AGOSTO
46 44 42 40 38 36 5 0 5 10
SEPTIEMBRE
OCTUBRE
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
NOVIEMBRE
46 44 42 40 38 36 5 0 5 10
DICIEMBRE
50
40
30
20
10
+10
+20
+30
107
ENERO
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
FEBRERO
46 44 42 40 38 36 5 0 5 10
MARZO
ABRIL
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
MAYO
46 44 42 40 38 36 5 0 5 10
JUNIO
JULIO
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
AGOSTO
46 44 42 40 38 36 5 0 5 10
SEPTIEMBRE
OCTUBRE
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
NOVIEMBRE
46 44 42 40 38 36 5 0 5 10
DICIEMBRE
50
40
30
20
10
+10
+20
+30
108
ENERO
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
FEBRERO
46 44 42 40 38 36 5 0 5 10
MARZO
ABRIL
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
MAYO
46 44 42 40 38 36 5 0 5 10
JUNIO
JULIO
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
AGOSTO
46 44 42 40 38 36 5 0 5 10
SEPTIEMBRE
OCTUBRE
46 44 42 40 38 36 10 5 0 5 46 44 42 40 38 36 10
NOVIEMBRE
46 44 42 40 38 36 5 0 5 10
DICIEMBRE
50
40
30
20
10
+10
+20
+30
109
110
HadAM3_A2_INM
2071_2100
ECHAM4_A2_INM
2071_2100
CGCM2_B2_INM
2071_2100
ECHAM4_B2_INM
2071_2100
HadCM2SUL_IS92_INM
2071_2100
50
40
30
20
10
10
20
30
Figura 6.33. Comparacin del cambio del volumen de precipitacin anual por cuencas hidrogrficas para el perodo 2071-2100 respecto al perodo de control (1961-90) proporcionado por proyecciones regionalizadas utilizando diferentes modelos globales (HadCM2SUL, HadAM3H, CGCM2, ECHAM4-OPYC) y las tcnicas de regionalizacin de los ndices de circulacin. La primera fila corresponde al escenario de emisin SRES A2, la segunda fila al escenario SRES B2 y la tercera fila al escenario IS92a.
111
112
113
114
En la seccin 3 se han descrito algunas de las incertidumbres que afectan al proceso de generacin de proyecciones regionalizadas de cambio climtico. Tal y como all se ha escrito, algunas de ellas pueden explorarse e incluso acotarse mediante la utilizacin de ensembles de proyecciones. Los ensembles estn constituidos idealmente por un nmero suficiente de miembros que permiten cuantificar las incertidumbres de las proyecciones, bien sea mediante rangos, o mediante funciones de densidad de probabilidad. Este informe no ha podido abordar un enfoque riguroso basado en ensembles de proyecciones por la limitacin de recursos. Sin embargo, se ha intentado mostrar los resultados de una variedad de modelos globales, de mtodos de regionalizacin (incluyendo mtodos empricos y modelos regionales de clima) y de escenarios de emisin para mostrar al menos el rango de variacin de las proyecciones regionalizadas de cambio climtico cuando se exploran las incertidumbres asociadas a la eleccin del modelo global, al escenario de emisin y a la tcnica de regionalizacin. Los resultados aqu mostrados constituyen una primera aproximacin a la utilizacin de ensembles. Esta exploracin permite constatar que las proyecciones de algunas variables son ms robustas que las de otras, siempre y cuando se tome como ndice de robustez la coincidencia de las distintas proyecciones. Este es, por ejemplo, el caso de las temperaturas, que muestran una marcada tendencia a incrementos superiores a los de la media global, independientemente del modelo global y de la tcnica de regionalizacin. No es este el caso de la precipitacin, donde aparecen ms divergencias tanto al variar los modelos globales como las tcnicas de regionalizacin, por lo que las proyecciones relativas a dicha variable debern ponderarse consistentemente. Las proyecciones probabilsticas basadas en ensembles pueden asignar un peso a cada miembro del ensemble que dependa de la calidad o grado de confianza que se asigne a cada uno de ellos. Esta ponderacin de los miembros es actualmente tema de investigacin activa y no existe un grado suficiente de consenso sobre su aplicacin prctica. De hecho, en la mayora de las implementaciones operativas para prediccin probabilstica tanto para el corto como medio plazo se consideran todos los miembros del ensemble como equiprobables. La seleccin de modelos globales y de tcnicas de regionalizacin utilizadas en este informe ha seguido no solamente criterios de calidad, sino tambin criterios eminentemente prcticos de accesibilidad y disponibilidad, tanto de datos de modelos globales (con la resolucin temporal deseada) como de tcnicas de regionalizacin (previamente utilizadas y evaluadas para otros fines). Los productos finales regionalizados se han calculado y se presentan tanto en forma de rejilla como en forma puntual sobre los observatorios. La razn de utilizar ambos tipos de formatos es doble. Por una parte, los diferentes tipos de usuarios de impactos mostraban una clara preferencia por uno u otro de los formatos, y, por otra, las diferentes tcnicas de regionalizacin estadsticas haban ya sido preparadas y evaluadas en uno u otro formato, por lo que se decidi utilizarlas en los formatos en los que ya estaban funcionando. Esta variedad de presentaciones es en cualquier caso compatible con la idea inicial de suministrar variedad de proyecciones a la comunidad de impactos. En las lneas precedentes se ha insistido frecuentemente en que el diferente grado de robustez de las conclusiones referentes a las diferentes variables depende en gran medida de la coincidencia de las proyecciones obtenidas con distintos mtodos y modelos. Aunque ya se ha mencionado que las validaciones sistemticas en el perodo de referencia 1961-1990 se presentan en documentos separados, es importante insistir en el diferente grado de fiabilidad de las proyecciones de temperatura y de precipitacin. La tabla 7.1 resume la relacin entre la seal, entendida como el valor absoluto de la diferencia entre la proyeccin regionalizada para el perodo 2071-2100 y la regionalizacin del perodo de control (1961-1990), y el error, entendido como el valor absoluto de la diferencia entre la regionalizacin del perodo de control y la observacin, para el mtodo de regionalizacin de anlogos INM y para los valores medios anuales. La tabla muestra que la relacin seal-error en general, como es esperable, es mayor para las temperaturas que para la precipitacin. El rango de los valores de la relacin sealerror, en los 203 puntos de estima, es mucho ms amplio, en general, en el caso de la precipitacin, movindose desde las dcimas hasta las centenas. Las dcimas indican cambios de precipitacin media anual que son un orden de magnitud menor que los errores estimados frente a las observaciones. En el caso de las temperaturas, este valor nunca baja por debajo de 1,4, lo que indica que la seal es
115
claramente mayor que el error. Los valores excepcionalmente altos de esta relacin pueden ser tambin engaosos ya que estn normalmente asociados a puntos en los que el error es muy pequeo. Este tipo de ndices permite establecer diferencias en la robustez de las proyecciones de las diferentes variables y de los diferentes modelos globales que ayudan a ponderar convenientemente las proyecciones de cambio climtico.
MODELO CGCM2-A2 CGCM2-B2 ECHAM4-A2 ECHAM4-B2 HadCM2SUL-IS92a HadAM3-A2 Relacin seal/error TEMP. MXIMA (2,24,1) (1,42,9) (2,65,0) (1,93,7) (2,936,0) (7,455,0) media 2,7 media 1,8 media 3,9 media 2,9 media 6,2 media 21,3 Relacin seal/error TEMP. MNIMA (2,14,3) (1,43,0) (2,85,3) (2,24,0) (3,932,0) (10,546,0) media 2,8 media 1,9 media 3,7 media 2,8 media 8,1 media 27,0 Relacin seal/error PRECIPITACIN (0,361,0) (0,116,6) (0,1104,2) (0,166,1) (0,1257,0) (0,11,5) media 2,9 media 1,0 media 1,4 media 0,9 media 4,0 media 0,3
Tabla 7.1. Relacin seal/error (vase texto para la definicin) para el perodo 2071-2100 utilizando el mtodo de regionalizacin de anlogos INM y para los valores medios anuales de diferentes variables y modelos globales.
La recomendacin fundamental para los distintos usuarios es la utilizacin de la mayor cantidad de proyecciones basadas en diferentes escenarios de emisin, en diferentes modelos globales y en diferentes tcnicas de regionalizacin para explorar el efecto de estas incertidumbres en sus modelos concretos de impacto. La utilizacin de una nica proyeccin en los estudios de impacto confiere a estos un valor muy relativo, ya que las proyecciones pueden depender fuertemente de la eleccin hecha del modelo global, del escenario de emisin y de la tcnica de regionalizacin. Al igual que se ha hecho en este informe con las proyecciones de las distintas variables, buscando coincidencia de proyecciones, los estudios de impactos debern buscar coincidencias de conclusiones cuando se utilizan variedad de proyecciones regionalizadas para aplicar a las diferentes variables que midan el impacto del cambio climtico en los diferentes sectores. Tambin es muy conveniente explorar los rangos de variacin de las diferentes variables de impacto. Lgicamente los mayores rangos estarn asociados a mayores incertidumbres y los rangos ms estrechos a estimaciones ms robustas y con menor incertidumbre. Finalmente, debe insistirse mucho en el hecho de que las proyecciones regionalizadas aqu descritas muestran diferencias entre climatologas de proyecciones futuras realizadas bajo un escenario de emisin y un perodo de control (1961-1990) obtenidas ambas a partir de un modelo climtico global con el correspondiente mtodo de regionalizacin, bien sea dinmico o estadstico. Esto no implica que la simulacin del perodo de control est libre de sesgos o errores medios cuando se compara frente a observaciones o frente a anlisis obtenidos a partir de estas. De hecho, suele ser bastante habitual que haya desviaciones entre la climatologa observada y la climatologa que se utiliza como control. En muchos casos, la diferencia entre ambas climatologas (observada y control) es comparable a la diferencia que se observa entre la climatologa de proyecciones futuras y la de control (GIORGI y FRANCISCO, 2000). Si se mantiene la hiptesis de que los sesgos que se obtienen en las simulaciones de control tambin se mantendrn en las proyecciones futuras pueden estimarse los valores absolutos de estas a partir de la observacin y de la diferencia entre la simulacin futura y la de control. La figura 7.1 muestra un ejemplo de distribucin de la temperatura regionalizada para una localidad dada y para un mes del ao fijado obtenido a partir de la serie diaria de observaciones (obs), de la simulacin de control (con) para el mismo perodo de referencia que la serie de observaciones (obtenida a partir de un AOGCM a cuyas salidas se ha aplicado una tcnica de regionalizacin) y finalmente de la simulacin para una proyeccin futura (pr) con un escenario de emisin prefijado (obtenida igualmente a partir de un AOGCM y una tcnica de regionalizacin). Al tratarse de un ejemplo obtenido con datos reales la curva de distribucin no tiene por qu ajustarse exactamente a una distribucin gaussiana. Si se desea obtener la distribucin de la proyeccin futura en valor absoluto y que sea consistente con las observaciones es razonable corregir la distribucin de la proyeccin simulada con el sesgo de la simulacin de control (con-obs), o lo que es lo mismo, a la distribucin observada se le suma el cambio entre proyeccin futura y control: pr corr = pr (con-obs) = obs + (pr-con).
116
0,25
observado control proyeccin
0,20
Frecuencia relativa
0,15
0,10
0,05
Temperatura (K)
Figura 7.1. Distribucin de temperatura para una localidad y mes fijados obtenida a partir de: (i) serie diaria de observaciones en el perodo 1961-90; (ii) simulacin de control (AOGCM + regionalizacin) en el perodo 1961-90; (iii) simulacin futura (AOGCM + regionalizacin) bajo un escenario de emisin en el perodo 2071-2100.
117
118
119
120
Las conclusiones principales de este informe se refieren a dos aspectos. Por un lado, el aspecto metodolgico y, por otro lado, el aspecto climtico de las proyecciones regionales mismas. Dentro del aspecto metodolgico, se ha prestado especial atencin a la discusin de las incertidumbres que indefectiblemente contaminan las proyecciones climticas. Algunas de estas incertidumbres pueden explorarse con mtodos probabilsticos que constituyen el marco ideal para expresar las estimaciones de cambio climtico. Tambin se ha insistido en que la existencia de incertidumbres no implica necesariamente falta radical de conocimiento del comportamiento del sistema climtico. La existencia misma de incertidumbres prescribe un marco conceptual probabilstico, que se desarrolla mediante el uso de ensembles, que explora distintas alternativas de evolucin del sistema climtico. Como ya se ha mencionado en otras partes de este documento, la coleccin de proyecciones aqu presentada constituye una primera aproximacin a un tratamiento ms riguroso basado en ensembles y con un nmero suficiente de miembros que permitan explorar las principales fuentes de incertidumbre y que utilice alguna tcnica de ponderacin para primar los miembros del ensemble que objetivamente sean de ms calidad. En el aspecto puramente climtico, el informe presenta en la Sec. 6 los primeros resultados de las proyecciones regionalizadas para el siglo XXI que se generan en el marco de este proyecto. La discusin en la Sec. 6 se ha centrado sobre todo en la comparacin de los valores medios obtenidos con diferentes mtodos y modelos globales. Queda pendiente una explotacin ms exhaustiva que considere los aspectos ligados a variabilidad en diferentes escalas temporales, comportamiento de extremos, etc. Esta explotacin se ir haciendo a lo largo de los prximos meses. En cualquier caso, la base de datos de proyecciones regionalizadas se pone a disposicin de la comunidad de impactos para que se comience a utilizar y, sobre todo, para que los usuarios se familiaricen con este tipo de datos y con sus incertidumbres. La comunidad de impactos demandaba desde el principio la pronta disponibilidad de datos de proyecciones climticas para comenzar la preparacin y desarrollo de los correspondientes estudios y modelos de impacto, independientemente de que se fuesen generando posteriormente mejores proyecciones basadas en modelos globales ms actualizados y mtodos de regionalizacin ms perfeccionados. En este sentido esta coleccin de proyecciones satisface la demanda de prontitud en cuanto a disponibilidad de proyecciones. La mejora en las proyecciones regionales que se realicen a lo largo de los prximos aos depender lgicamente de la razonable ejecucin de la segunda parte del proyecto que implica una gran movilizacin de recursos y la participacin directa de la comunidad investigadora espaola activa en estos temas. Los resultados presentados en la Sec. 6 han confirmado la relativa robustez de las proyecciones de temperatura que, con las limitaciones ya mencionadas, establece para el escenario de emisin medioalto A2 de SRES-IPCC horquillas de variacin aproximadas de 1-2C, 3-5C y 5-8C para los perodos 2011-2040, 2041-2070 y 2071-2100 respectivamente, y para las zonas del interior de la Pennsula Ibrica, que son las que muestran mayores cambios. El escenario de emisin medio-bajo (B2 de SRESIPCC) muestra valores aproximadamente 2C ms bajos para el ltimo tercio del siglo XXI. Las proyecciones del cambio de temperatura muestran tambin un desigual reparto del cambio de temperatura por meses, correspondiendo los valores de mayor cambio a los meses estivales y los de menor cambio a los invernales. Las proyecciones de precipitacin muestran una mayor dispersin de resultados aunque parece haber una tendencia a la reduccin en el sur de la Pennsula con un gradiente en el cambio que en general suele ser sur-norte. La distribucin anual muestra tambin poco acuerdo entre las diferentes proyecciones. La poca robustez de los resultados relativos a la precipitacin consecuencia, por una parte, del error que introducen los mtodos de regionalizacin cuando se aplican a la precipitacin y, por otra, de la posicin de la Pennsula Ibrica en la zona de transicin entre las latitudes altas, en las que aumentar la precipitacin, y la zona subtropical, en la que habr reducciones de precipitacin, plantea para los prximos aos el desafo de la mejora de estas proyecciones que sern determinantes para muchos sectores socioeconmicos. En cuanto a los desarrollos futuros, este documento se refiere al ya mencionado programa coordinado en el que se trazan las lneas de trabajo para la segunda fase del proyecto. El desarrollo de estas lneas, entre las que se contemplan las que especficamente se refieren a la generacin de proyecciones
121
regionalizadas de cambio climtico y otras ms relacionadas con la evaluacin y contextualizacin de dichas proyecciones, implica una gran participacin de diferentes grupos y una estrecha coordinacin que asegure tanto el avance paralelo de las diferentes lneas de actividad como la consecucin de los resultados que demanda la comunidad de impactos.
122
Anexos y referencias
Anexo A. Catlogo de datos disponibles para estudios de impacto Anexo B. Agregacin de las proyecciones de temperatura mxima, temperatura mnima y precipitacin por comunidades autnomas Anexo C. Formato de los datos de proyecciones estadsticas regionalizadas por estaciones Anexo D. Formato de los datos de proyecciones dinmicas regionalizadas PRUDENCE en forma de rejilla Referencias
123
ANEXOS Y REFERENCIAS
124
Tabla A1. Proyecciones regionalizadas con los mtodos estadsticos utilizados. Los datos diarios de las proyecciones se refieren al perodo 2011-2100 y el perodo de control al perodo 1961-1990 y a las variables: precipitacin, temperatura mxima y temperatura mnima. Los mtodos Analog(FIC) y SDSM presentan los resultados en las estaciones, mientras que el mtodo Analog(INM) presenta los resultados en una rejilla regular de 50 km. El mtodo de ndices proporciona datos mensuales de volumen de agua por cuencas hidrogrficas.
Los datos correspondientes al mtodo de anlogos INM se han calculado sobre una rejilla definida solamente sobre los puntos de tierra. La figura A1 (igual que la figura 5.5) muestra la rejilla utilizada. Como esta rejilla no est uniformemente definida (no tiene el mismo nmero de puntos de longitud para cada lnea de latitud), se ha utilizado el formato correspondiente a los observatorios para el almacenamiento de los datos (Anexo C). II) Datos de modelos regionales de clima del proyecto PRUDENCE Para los fines de este proyecto, se ha realizado una extraccin desde la base de datos PRUDENCE (http://prudence.dmi.dk/) a una rejilla que cubre la Pennsula Ibrica e Islas Baleares. La malla est compuesta por 38 26 celdillas, cada una con un tamao de 0,5 0,5 (lat-lon), cuyos puntos centrales estn situados entre 34,5 y 47N de latitud y entre 12W y 6,5E de longitud geogrfica (figura A2). Los datos, como ya se ha indicado anteriormente, se refieren al perodo de control 19611990 y a la proyeccin 2071-2100.
125
ANEXOS Y REFERENCIAS
46
44
42
40
38
36
12
10
Figura A2. Dominio y malla comunes donde se han interpolado los resultados de todos los RCM de PRUDENCE. Las celdillas sombreadas corresponden a tierra y las blancas a mar.
126
Para la interpolacin de la rejilla original de cada modelo a la de la figura A2 se ha utilizado el punto ms cercano que tiene como principales ventajas que: No distorsiona los valores extremos en los campos horizontales de las variables climticas. Conserva la coherencia entre los valores de los diferentes campos de variables interpolados.
Esta ltima caracterstica ha resultado decisiva en la eleccin del mtodo de interpolacin. Ha de tenerse en cuenta que se trata de interpolar valores diarios de diversas variables climticas simulados por los modelos. Eso significa que, en cada punto de la malla del modelo, hay una coherencia entre los valores diarios de todas las variables. Por ejemplo, si en un punto de la malla y un determinado da el modelo simula precipitacin, la fraccin de nubosidad tambin ser ah alta, la humedad relativa elevada, la escorrenta no ser nula, etc. Esta coherencia simultnea entre los valores de las variables climticas slo puede ser trasladada ntegramente de la malla de cada modelo a la malla comn mediante el mtodo de interpolacin elegido. En los dems procedimientos de interpolacin no se garantiza la conservacin de dicha coherencia espacial y temporal. Tambin hay que mencionar que para mantener la coherencia que se pretende en la interpolacin de una malla a otra, hay que tener en cuenta que los valores de las variables superficiales no son iguales en una celdilla de mar que en una de tierra. Por tanto, la interpolacin debe hacerse considerando el punto ms cercano, pero de una celdilla del modelo que tenga el mismo carcter de mar o tierra en la malla comn. De no ser as, podra ocurrir que, al buscar el punto ms cercano de una celdilla de tierra en la malla comn, se elija uno situado en una celdilla de mar de la malla del modelo climtico considerado. Finalmente, hay que recordar que el dominio de algunos de los modelos del proyecto PRUDENCE no incluye completamente el dominio de la malla comn elegida (figura 5.2). Esto obliga a que en el mtodo de interpolacin usado se imponga una condicin de distancia mxima entre puntos de la malla comn a la de cada modelo. De forma que se asigna un cdigo de no dato en aquellas celdillas de la malla comn que queden fuera del dominio del modelo. El procedimiento para aplicar la interpolacin elegida se resume de la siguiente manera: Una vez ledo el campo de valores de una variable correspondiente a un determinado da simulado en un experimento por un modelo climtico, y denotando con Ci (1 i n) a la matriz de celdillas de la malla comn, el proceso sigue este diagrama de flujo:
Inicio i=1
tierra
NO
Busca el punto de mar de la malla del modelo que est ms prximo a C i S i n? NO i=i+1
salida
127
ANEXOS Y REFERENCIAS
Adems de las diversas variables climticas, tambin se ha interpolado el campo de alturas topogrficas para cada modelo. La matriz de alturas topogrficas (en metros) para cada modelo ha sido obtenida mediante el mismo mtodo de interpolacin para obtener los valores correspondientes a la malla comn. Es decir, cada modelo tiene un campo de topografa particular en la malla comn. Obviamente, se asigna un valor cero a las celdillas de mar de la malla comn. La tabla A2 (igual que la tabla 1.2) presenta las simulaciones realizadas por los diversos modelos climticos regionales identificados por las siglas del centro donde cada uno se ha desarrollado, en vez de por sus propios nombres. La correspondencia entre el nombre de cada modelo y centro se muestra en la tabla 5.1.
Modelos Anidamiento en HadAM3H Anidamiento en ECHAM4 regionales Control A2 B2 Control A2 B2 CNRM DMI ETH GKSS HC ICTP KNMI MPI SMHI UCM
Tabla A2. Proyecciones regionalizadas basadas en modelos regionales del clima procedentes del proyecto PRUDENCE. Las simulaciones realizadas por cada modelo regional se identifican por el centro o instituto donde se ha desarrollado.
Variables climticas t2m t2max t2min q2m td2m rh2m precip clcov evap snow runoff soilw Psurf MSLP w10m w10ma SWnet SWdown LWnet LWdown
CNRM
ETH
GKSS
HC -
ICTP
KNMI
MPI
UCM
Tabla A3. Relacin de variables de salida de los diferentes modelos regionales de PRUDENCE. En el caso de los modelos del DMI y SMHI se distingue entre las simulaciones con anidamiento en el modelo HadAM3 (H) y ECHAM4 (E).
128
La tabla A3 presenta las variables de superficie disponibles para cada modelo en la rejilla comn de la figura A2. Como se observa, no todas las variables estn disponibles en todos los modelos. Las siglas utilizadas en la tabla anterior para identificar a las variables climticas en superficie son: t2m: Temperatura a 2 metros (K) t2max: Temperatura diaria mxima a 2 metros (K) t2min: Temperatura diaria mnima a 2 metros (K) q2m: Humedad especfica a 2 metros (kg/kg) td2m: Temperatura del punto de roco a 2 metros (K) rh2m: Humedad relativa a 2 metros (%) precip: Precipitacin (mm/da) clcov: Nubosidad total (fraccin) evap: Evaporacin (mm/da) snow: Espesor de nieve equivalente en agua (mm) runoff: Escorrenta total (mm/da) soilw: Contenido de agua en el suelo (mm) Psurf: Presin en superficie (hPa) MSLP: Presin reducida a nivel del mar (hPa) w10m: Velocidad media diaria del viento a 10 metros (m/s) w10max: Velocidad mxima diaria del viento a 10 metros (m/s) SWnet: Radiacin neta de onda corta en superficie (W/m) SWdown: Radiacin hacia abajo de onda corta en superficie (W/m) LWnet: Radiacin neta de onda larga en superficie (W/m) LWdown: Radiacin hacia abajo de onda larga en superficie (W/m) Los campos disponibles para todos los modelos y simulaciones tienen el formato descrito en el Anexo D.
129
ANEXOS Y REFERENCIAS
ANEXO B. Agregacin de las proyecciones de temperatura mxima, temperatura mnima y precipitacin por comunidades autnomas
La coleccin de figuras que se recopila en este anexo est basada en la agregacin de toda la informacin disponible para cada comunidad autnoma, bien sea procedente de regionalizaciones estadsticas o dinmicas. Para obtener estas figuras se ha procedido a promediar anualmente los valores diarios primarios de la base de datos de proyecciones regionalizadas. Se han promediado bien los valores de puntos de rejilla o de observatorios de cada comunidad autnoma, segn estuviese la informacin disponible para los diferentes mtodos de regionalizacin aplicados. La informacin se integra en dos tipos de grficas para cada variable (temperatura mxima, temperatura mnima y precipitacin) y cada comunidad autnoma. En una de ellas (izquierda de cada panel) se representan directamente las proyecciones medias anuales correspondientes a cada modelo global, escenario de emisin y mtodo de regionalizacin para la temperatura mxima y mnima. El otro tipo de grficas (derecha de cada panel) se basa en la representacin de la evolucin de los valores medios y de la dispersin (spread) representada en forma de +/ desviacin estndar alrededor del valor medio. Esta coleccin de evoluciones no trata de un ensemble en sentido estricto ya que engloba proyecciones obtenidas con diferentes modelos globales y diferentes tcnicas de regionalizacin. Adems de las regionalizaciones basadas en diferentes mtodos estadsticos realizadas expresamente para este proyecto, se han incorporado las proyecciones realizadas en el marco del proyecto PRUDENCE. Estas ltimas solamente abarcaban los treinta ltimos aos del siglo XXI. Al igual que en los informes TAR y AR4 del IPCC no se ha hecho ningn intento de ponderar las proyecciones individuales. Al incluir las proyecciones realizadas sin ningn tipo de ponderacin en el marco de PRUDENCE, que en su mayor parte utilizan como condiciones de contorno las salidas del modelo HadAM3, el resultado final est excesivamente sesgado a la evolucin de este modelo global. Este hecho se nota en un pequeo cambio de pendiente en el entorno del ao 2070. Si se eliminan las evoluciones correspondientes a los modelos PRUDENCE o se les asigna un menor peso en el promedio, este pequeo cambio de pendiente puede corregirse. No obstante, se ha preferido no incluir dichos trminos de ponderacin ya que estas grficas corresponden ms bien a una agregacin prctica de la informacin que a un ensemble. Adems esta coleccin de evoluciones no abarca necesariamente todo el posible rango de incertidumbres ya que no se ha seguido ningn protocolo de muestreo, ni en la seleccin de los modelos globales ni de los mtodos de regionalizacin. La razn principal para utilizar este tipo de representacin es el hecho empricamente demostrado de que los errores sistemticos tanto procedentes de los modelos globales como de las tcnicas de regionalizacin tienden a cancelarse cuando se promedian y tienden a mostrar un mayor acuerdo con las observaciones.
130
ANDALUCA
Cambio de la temperatura mxima (C) Cambio de la temperatura mxima (C)
10 8 6 4 2 0
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
8 6 4 2 0
10
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
40
A2 B2
20
20
40
2030
Media mvil de 10 aos
2050 Ao
2070
2090
Figura B1. Evolucin del cambio de Tmax (arriba izda.) y Tmin (centro izda.) anual media en Andaluca obtenido con diferentes modelos globales, tcnicas de regionalizacin y escenarios de emisin respecto al valor promedio de referencia en el perodo 1961-1990. Evolucin del valor medio (curva continua) y valor medio +/ desviacin estndar (sombreado) para Tmax (arriba der.), Tmin (centro der.) y precipitacin (abajo). (La curva correspondiente al valor medio de la precipitacin representa la media mvil centrada para un perodo de 10 aos).
131
ANEXOS Y REFERENCIAS
ARAGN
Cambio de la temperatura mxima (C) Cambio de la temperatura mxima (C)
10 8 6 4 2 0
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
8 6 4 2 0
10
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
40
A2 B2
20
20
40
2030
Media mvil de 10 aos
2050 Ao
2070
2090
132
PRINCIPADO DE ASTURIAS
Cambio de la temperatura mxima (C) Cambio de la temperatura mxima (C)
10 8 6 4 2 0
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
8 6 4 2 0
10
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
40
A2 B2
20
20
40
2030
Media mvil de 10 aos
2050 Ao
2070
2090
Figura B3. Igual que Figura B1, pero para el Principado de Asturias.
133
ANEXOS Y REFERENCIAS
ILLES BALEARS
Cambio de la temperatura mxima (C) Cambio de la temperatura mxima (C)
10 8 6 4 2 0
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
8 6 4 2 0
10
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
40
A2 B2
20
20
40
2030
Media mvil de 10 aos
2050 Ao
2070
2090
Figura B4. Igual que Figura B1, pero para las Illes Balears.
134
ISLAS CANARIAS
Cambio de la temperatura mxima (C) Cambio de la temperatura mxima (C)
10 8 6 4 2 0
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
8 6 4 2 0
10
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
40
A2 B2
20
20
40
2030
Media mvil de 10 aos
2050 Ao
2070
2090
Figura B5. Igual que Figura B1, pero para las Islas Canarias.
135
ANEXOS Y REFERENCIAS
CANTABRIA
Cambio de la temperatura mxima (C) Cambio de la temperatura mxima (C)
10 8 6 4 2 0
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
8 6 4 2 0
10
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
40
A2 B2
20
20
40
2030
Media mvil de 10 aos
2050 Ao
2070
2090
136
CASTILLA - LA MANCHA
Cambio de la temperatura mxima (C) Cambio de la temperatura mxima (C)
10 8 6 4 2 0
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
8 6 4 2 0
10
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
40
A2 B2
20
20
40
2030
Media mvil de 10 aos
2050 Ao
2070
2090
Figura B7. Igual que Figura B1, pero para Castilla - La Mancha.
137
ANEXOS Y REFERENCIAS
CASTILLA Y LEN
Cambio de la temperatura mxima (C) Cambio de la temperatura mxima (C)
10 8 6 4 2 0
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
8 6 4 2 0
10
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
40
A2 B2
20
20
40
2030
Media mvil de 10 aos
2050 Ao
2070
2090
Figura B8. Igual que Figura B1, pero para Castilla y Len.
138
CATALUA
Cambio de la temperatura mxima (C) Cambio de la temperatura mxima (C)
10 8 6 4 2 0
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
8 6 4 2 0
10
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
40
A2 B2
20
20
40
2030
Media mvil de 10 aos
2050 Ao
2070
2090
139
ANEXOS Y REFERENCIAS
EXTREMADURA
Cambio de la temperatura mxima (C) Cambio de la temperatura mxima (C)
10 8 6 4 2 0
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
8 6 4 2 0
10
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
40
A2 B2
20
20
40
2030
Media mvil de 10 aos
2050 Ao
2070
2090
140
GALICIA
Cambio de la temperatura mxima (C) Cambio de la temperatura mxima (C)
10 8 6 4 2 0
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
8 6 4 2 0
10
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
40
A2 B2
20
20
40
2030
Media mvil de 10 aos
2050 Ao
2070
2090
141
ANEXOS Y REFERENCIAS
LA RIOJA
10 8 6 4 2 0
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
2020
2040
2060 Ao
2080
2100
2020
2040
2060 Ao
2080
2100
10
Cambio de la temperatura mnima (C)
8 6 4 2 0
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
2020
2040
2060 Ao
2080
2100
2020
2040
2060 Ao
2080
2100
40
A2 B2
20
20
40
2020
Media mvil de 10 aos
2040
2060 Ao
2080
142
COMUNIDAD DE MADRID
Cambio de la temperatura mxima (C) Cambio de la temperatura mxima (C)
10 8 6 4 2 0
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
8 6 4 2 0
10
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
40
A2 B2
20
20
40
2030
Media mvil de 10 aos
2050 Ao
2070
2090
Figura B13. Igual que Figura B1, pero para la Comunidad de Madrid.
143
ANEXOS Y REFERENCIAS
REGIN DE MURCIA
Cambio de la temperatura mxima (C) Cambio de la temperatura mxima (C)
10 8 6 4 2 0
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
8 6 4 2 0
10
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
40
A2 B2
20
20
40
2030
Media mvil de 10 aos
2050 Ao
2070
2090
Figura B14. Igual que Figura B1, pero para la Regin de Murcia.
144
10 8 6 4 2 0
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
8 6 4 2 0
10
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
40
A2 B2
20
20
40
2030
Media mvil de 10 aos
2050 Ao
2070
2090
Figura B15. Igual que Figura B1, pero para la Comunidad Foral de Navarra.
145
ANEXOS Y REFERENCIAS
PAS VASCO
Cambio de la temperatura mxima (C) Cambio de la temperatura mxima (C)
10 8 6 4 2 0
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
8 6 4 2 0
10
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
40
A2 B2
20
20
40
2030
Media mvil de 10 aos
2050 Ao
2070
2090
Figura B16. Igual que Figura B1, pero para el Pas Vasco.
146
COMUNIDAD VALENCIANA
Cambio de la temperatura mxima (C) Cambio de la temperatura mxima (C)
10 8 6 4 2 0
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
8 6 4 2 0
10
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
40
A2 B2
20
20
40
2030
Media mvil de 10 aos
2050 Ao
2070
2090
Figura B17. Igual que Figura B1, pero para la Comunidad Valenciana.
147
ANEXOS Y REFERENCIAS
ESPAA PENINSULAR
Cambio de la temperatura mxima (C) Cambio de la temperatura mxima (C)
10 8 6 4 2 0
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
8 6 4 2 0
10
HadCM3.SDSM.A2 HadAM3.FIC.A2 CGCM2.FIC.A2 ECHAM4.FIC.A2 HadAM3.ANAINM.A2 CGCM2.ANAINM.A2 ECHAM.ANAINM.A2 HadCM2SUL.ANAINM DMI_HadAM3H.a2 GKSS.a2 HC.a2 ICTP.a2 KNMI.a2 MPI.a2
SMHI_HadAM3H.a2 UCM.a2 SMHI_ECHAM4.a2 HadCM3.SDSM.B2 HadAM3.FIC.B2 CGCM2.FIC.B2 ECHAM4.FIC.B2 CGCM2.ANAINM.B2 ECHAM.ANAINM.B2 DMI_HadAM3H.b2 ICTP.b2 SMHI_HadAM3H.b2 UCM.b2 SMHI_ECHAM4.b2
10 8 6 4 2 0
A2 B2
2010
2030
2050 Ao
2070
2090
2010
2030
2050 Ao
2070
2090
40
A2 B2
20
20
40
2030
Media mvil de 10 aos
2050 Ao
2070
2090
Figura B18. Igual que Figura B1, pero para Espaa peninsular.
148
Los ficheros de un modelo, escenario, perodo y mtodo se incluyen todos en un fichero comprimido de tipo .tar.gz, que se identifica con la etiqueta: [variable].[modelo].[escenario].[periodo].[mtodo].tar.gz precip HadAM3 A2 2 0 1 1 - 2 0 4 0 FIC tmax HadCM3 B2 SDSM tmin ECHAM4 Ve INM CGCM2 Va Cn Ejemplos: precip.HadAM3.A2.2011-2040.FIC.tar.gz Tmax.ECHAM4.B2.1961-1990.SDSM.tar.gz
El perodo se fija de tal forma que los ficheros tengan un tamao manejable. En principio se tomarn perodos de 30 aos (1961-1990, 2011-2040, 2041-2070, 2071-2100). 2. Formato de los datos dentro de cada fichero La informacin dentro de cada fichero tiene formato libre (separacin con blancos) de la siguiente forma: Un primer registro incluir la informacin fija comn a todos los datos del fichero: variable, modelo, mtodo, unidades, tipo de ao Var precip tmax tmin modelo HadCM3 ECHAM4 CGCM2 metodo SDSM FIC Unid mm dcimas dcimas tipo 0 1 2
149
ANEXOS Y REFERENCIAS
Los valores 0, 1, 2 para tipo de ao corresponden a aos de 360 das, aos de 365 das y aos reales con bisiestos incluidos, respectivamente. Para minimizar la informacin archivada las unidades son mm para la precipitacin, dcimas de grado Celsius para las temperaturas y hm3 para los volmenes de precipitacin. Los siguientes registros incorporan por bloques la informacin de las estaciones y los datos diarios de las proyecciones. Cada bloque corresponde a una estacin y lo componen un primer registro con la informacin fija de la estacin y registros sucesivos mensuales con los datos diarios. El primer registro de cada estacin tiene el siguiente formato: Estacin lat Ej: 1387 -8.419 lon 43.367 alt 58.2 coordenadas geo ao inicial 2011 ao final 204 EQC 0
Los valores para EQC (0, 1, 2) informan de las caractersticas de las series climatolgicas. Las series utilizadas han pasado ya unos criterios mnimos de completitud. Sobre estos criterios, el valor 0 identifica las estaciones que han pasado tests (un test para temperatura (Mann) y dos tests para precipitacin (SNHT (Alexanderson) y Wald-Wolfowitz)) de homogeneidad, 1 cuando (solo en el caso de precipitacin) han pasado uno de los dos tests, y 2 cuando no han pasado ninguno de los tests de homogeneidad. Los registros siguientes tienen los siguientes formatos: Estacin ao Ej: 1387 mes datos(31)
2015 1 2
Los datos incluyen los 31 valores de cada variable como nmeros enteros. Cuando correspondan a meses con 28, 29 30 das los ltimos valores sern 999. Igualmente, la ausencia de dato se marcar con 999 99. Las proyecciones de la mayora de los modelos corresponden a aos con 30 meses, en cuyo caso la ltima posicin (31) tendr siempre el valor de no dato 999 99. En el caso de volmenes de precipitacin los registros sern del siguiente tipo: Cuenca Ej: Guadalquivir ao 2015 mes(12)
En resumen, los datos de cada estacin se incorporan sucesivamente con un registro describiendo la estacin y los sucesivos registros con los datos de cada mes.
150
ANEXO D. Formato de los datos de proyecciones dinmicas regionalizadas PRUDENCE en forma de rejilla
1. Nombres de los ficheros Los ficheros con los datos diarios de cada variable climtica considerada, que se denotan con los acrnimos utilizados en la tabla A3. Estos ficheros se identifican con una etiqueta que tiene la siguiente forma: [variable].[modelo].[escenario].txt Ej: precip.GKSS.a2.txt evap.DMI_ECHAM4.b2.txt
2. Formato de los datos dentro de cada fichero Para que los datos puedan leerse con cualquier sistema operativo o lenguaje informtico, todos los ficheros tienen formato ASCII. Cada fichero posee una cabecera con cinco lneas que identifica claramente los datos que contiene. En dicha cabecera aparece la siguiente informacin: Fecha en que se grab el fichero. Nombre del proyecto (PRUDENCE) que financi las simulaciones. GCM: Modelo global al que fue anidado el modelo regional. RCM: Modelo regional, incluyendo el propio nombre del modelo y el del centro o institucin donde se ha desarrollado. Run: Escenario climtico de la simulacin. Variable: Nombre completo de la variable climtica cuyos datos contiene el fichero. Unidades: Unidades fsicas en que se expresa la variable climtica. Lon: Intervalo de longitud de la malla en la que estn los datos del fichero. Lat: Intervalo de latitud de la malla en que estn los datos del fichero. Grid X,Y: Nmero de celdillas en direccin longitudinal (oeste-este) y latitudinal (norte-sur) respectivamente. Aos: Perodo de la simulacin. No dato: Valor asignado a los valores en las celdillas fuera del dominio del modelo.
Inmediatamente despus de esta cabecera con cinco lneas, se incluyen de forma consecutiva los datos diarios de la variable en la malla comn. Primero se identifica la fecha (da_mes_ao) y despus los datos se organizan en forma de matriz bidimensional separados por espacios en blanco, empezando por el correspondiente al punto central de la celdilla de la esquina noroeste del dominio comn (47,00N, 12,00W). Cada fila contiene 38 valores y cada da abarca 27 lneas (1 con la fecha + 26 con datos climticos).
151
ANEXOS Y REFERENCIAS
Como ejemplo ilustrativo, un fichero cualquiera de datos tendra la siguiente estructura: [Creado el 29. 9.2006] [Proyecto PRUDENCE] [GCM = HadAM3H] [RCM = PROMES-UCM] [Run = escenario a2] [Variable = Precipitacin] [Unidades = mm/da] [Lon = 12.25, 06.75] [Lat = 34.25, 47.25] [Grid X,Y = 38, 26] [Aos = 2071-2100] [No dato = -999] [01_01_2071] x.x x.x x.x x.x ....... x.x x.x x.x x.x x.x ....... x.x x.x x.x x.x x.x ....... x.x x.x x.x x.x x.x ....... x.x ........................... x.x x.x x.x x.x ....... x.x [02_01_2071] x.x x.x x.x x.x ....... x.x x.x x.x x.x x.x ....... x.x x.x x.x x.x x.x ....... x.x x.x x.x x.x x.x ....... x.x ........................... x.x x.x x.x x.x ....... x.x [03_01_2071] x.x x.x x.x x.x ....... x.x x.x x.x x.x x.x ....... x.x x.x x.x x.x x.x ....... x.x x.x x.x x.x x.x ....... x.x ........................... x.x x.x x.x x.x ....... x.x [04_01_2071] ........................... ........................... ........................... ........................... [30_12_2100] x.x x.x x.x x.x ....... x.x x.x x.x x.x x.x ....... x.x x.x x.x x.x x.x ....... x.x x.x x.x x.x x.x ....... x.x ........................... x.x x.x x.x x.x ....... x.x Por ltimo, es importante advertir de que la duracin de los meses y aos es diferente en el modelo del CNRM que en los dems RCM del proyecto PRUDENCE. El modelo Arpege del CNRM utiliza el calendario real. Es decir, con la duracin desigual de cada uno de los meses del ao y tambin considerando los aos bisiestos. Sin embargo, todos los dems modelos regionales han realizado sus simulaciones suponiendo que todos los meses del ao tienen una duracin uniforme de 30 das y todos los aos son de 360 das.
152
REFERENCIAS
Referencias
A BAURREA , J., J. A SN y A. C ENTELLES (2002): Caracterizacin espacio-temporal de la evolucin de la precipitacin anual en la cuenca del Ebro. En: Guijarro, Grimalt Laita y Alonso (eds.). El Agua y el Clima, Asociacin Espaola de Climatologa, Serie A, n. 3, pp. 113-124. ALDRIAN, E., L. DMENIL GATES, D. JACOB, R. PODZUN y D. GUNAWAN (2004): Long term simulation of the Indonesian rainfall with the MPI Regional Model. Climate Dynamics, 22, 795-814. ALLEY, R.B. et al. (2002): Abrupt Climate Change: Inevitable Surprises. US National Research Council Report. National Academy Press, Washington, DC, 230 pp. ALEXANDERSSON, H. (1986): A homogeneity test applied to precipitation data. Journal of Climatology, 6, 661-675. ARRIBAS, A., C. GALLARDO, M.A. GAERTNER y M. CASTRO (2003): Sensitivity of Iberian Peninsula climate to land degradation. Climate Dynamics, 20, 477-489. BLACKMON, M.L., Y.H. LEE, J.M. WALLACE (1984): Horizontal structure of 500 mb height fluctuations with long, intermediate, and short time scales. Journal of Atmospheric Science, 41, 961-979. BRUNET, M., O. SALADI, P. JONES, J. SIGR, E. AGUILAR, A. MOBERG, A. WALTHER, D. LISTER, D. LPEZ, C. ALMARZA (2006): The development of a new daily adjusted temperature dataset for Spain (1850-2003), International Journal of Climatology, 26, 1777-1802, doi: 10.1002/joc.1338. BRUNET, M., P.D. JONES, J. SIGR, P. SALADI, E. AGUILAR, A. MOBERG, P.M. DELLA-MARTA, D. LISTER, A. WALTHER, D. L PEZ (2007): Temporal and spatial temperature variability and change over Spain during 18502005. Journal of Geophysical Research, 112, doi:10.1029/2006JD008249. BUONOMO, E., R.G. JONES, C. HUNTINGFORD y J. HANNAFORD (2006): The robustness of high resolution predictions of changes in extreme precipitation for Europe. Quarterly Journal of the Royal Meteorological Society, 133 (622): 65. CASADO, M.J., M.A. PASTOR, F.J. DOBLAS-REYES (2008): Euro-Atlantic types and modes of variability in winter. Theoretical Applied Climatology, doi: 10.1007/S00704-008-0036-2. CASTRO, M., C. FERNNDEZ y M.A. GAERTNER (1993): Description of a meso-scale atmospheric numerical model, Mathematics, Climate and Environment. J.I. Daz y J.L. Lions (eds.), Masson. CASTRO, M., J. MARTN-VIDE y S. ALONSO (2005): El clima de Espaa: pasado, presente y escenarios de clima para el siglo XXI. En Evaluacin Preliminar de los Impactos en Espaa por Efecto del Cambio Climtico. Informe del Ministerio de Medio Ambiente. CHEN, D. (2000): A monthly circulation climatology for Sweden and its application to a winter temperature case study. International Journal of Climatology, 20, 1067-1076. CHRISTENSEN, J.H. y E. VAN MEIJGAARD (1992): On the construction of a regional atmospheric climate model, DMI Technical Report 92-14. Available from DMI, Lyngbyvej 100, Copenhagen . CHRISTENSEN, J.H., O.B. CHRISTENSEN, P. LPEZ, E. VAN MEIJGAARD y M. BOTZET (1996): The HIRHAM4 regional atmospheric climate model, DMI Technical Report 96-4. Available from DMI, Lyngbyvej 100, Copenhagen . C HRISTENSEN , O.B., J.H. CHRISTENSEN , B. MACHENHAUER y M. B OTZET (1998): Very high-resolution regional climate simulations over Scandinavia present climate. Journal of Climate, 11, 3204-3229. C HRISTENSEN , J.H., O.B. C HRISTENSEN y J.P. S CHULTZ (2001): High resolution physiographic data set for HIRHAM4: An application to a 50 km horizontal resolution domain covering Europe, DMI Technical Report 01-15. Available from DMI, Lyngbyvej 100, Copenhagen . CHRISTENSEN, J.H. y O.B. CHRISTENSEN (2003): Climate modelling: Severe summertime flooding in Europe. Nature, 421, 805-806.
153
ANEXOS Y REFERENCIAS
CHRISTENSEN, O.B. y J.H. CHRISTENSEN (2004): Intensification of extreme European summer precipitation in a warmer climate. Global and Planetary Change, 44, 107-117. DAVIES, H.C. (1996): A lateral boundary formulation for multi-level prediction model. Quarterly Journal of the Royal Meteorological Society, 102, 405-418. DE LUIS, M., J. RAVENTS, J.C. GONZLEZ-HIDALGO, J.R. SNCHEZ y J. CORTINA (2000): Spatial analysis of rainfall trends in the region of Valencia east Spain. International Journal of Climatology, 20, 1451-1469. DQU, M., R.G. JONES, M. WILD, F. GIORGI, J.H. CHRISTENSEN, D.C. HASSELL, P.L. VIDALE, B. ROCKEL, D. JACOB, E. KJELLSTROM, M. DE CASTRO, F. KUCHARSKI y B. VAN DE HURK (2005): Global high resolution versus Limited Area Model climate change projections over Europe: quantifying confidence level from PRUDENCE results. Climate Dynamics, 25(6), 653-670 doi:10.1007/s00382-005-0052-1. DSCHER, R., U. WILLN, C.G. JONES, A. RUTGERSSON, H. MEIER, E. HANSSON y M. GRAHAM (2002): The development of the coupled regional ocean-atmosphere model RCAO. Boreal Environment Research, 7, 183-192. ESTEBAN-PARRA, M.J., F.S. RODRIGO y Y. CASTRO-DEZ (1998): Spatial and temporal patterns of precipitation in Spain for the period 1880-1992. International Journal of Climatology, 18, 1557-1574. F LATO, G.M., G.J. BOER, W.G. LEE , N.A. MCF ARLANE, D. RAMSDEN, M.C. READER y A.J. W EAVER (2000): The Canadian Centre for Climate Modeling and Analysis Global Coupled Model and its Climate. Climate Dynamics, 16, 451-467. FREI, C., J.H. CHRISTENSEN, M. DQU, D. JACOB, R.G. JONES y P.L. VIDALE (2003): Daily precipitation statistics in regional climate models: Evaluation and intercomparison for the European Alps, Journal of Geophysical Research, 108 (D3), 4124 doi:101029/2002JD002287. GAERTNER, M.A., O.B. CHRISTENSEN, J.A. PREGO, J. POLCHER, C. GALLARDO y M. CASTRO (2001): The impact of deforestation on the hydrological cycle in the western Mediterranean: an ensemble study with two regional climate models. Climate Dynamics, 17, 857-873. GALLARDO, C., A. ARRIBAS, J.A. PREGO, M.A. GAERTNER y M. CASTRO (2001): Multi-year simulations with a high resolution regional climate model over the Iberian Peninsula: Current climate and 2CO2 scenario, Quarterly Journal of the Royal Meteorological Society, 127, 1659-1682. G ATES et al. (1990): Validation of climate models. Climate Change: The IPCC Scientific Assessment, J.T. Houghton, G.J. Jenkins and J.J. Ephraums, Eds., Cambridge University Press, 93-130. GIBELIN, A.L. y M. DQU (2003): Anthropogenic climate change over the Mediterranean region simulated by a global variable resolution model, Climate Dynamics, 20, 327-339. GIORGI, F., M.R. MARINUCCI y G.T. BATES (1993a): Development of a second generation regional climate model (REGCM2). Part I: Boundary layer and radiative transfer processes, Monthly Weather Review, 121, 2794-2813. GIORGI, F., M.R. MARINUCCI, G.T. BATES y G. DECANIO (1993b): Development of a second generation regional climate model (REGCM2). Part II: Convective processes and assimilation of lateral boundary conditions, Monthly Weather Review, 21, 2814-2832. GIORGI, F., Y. HUANG, K. NISHIZAWA y C. FU (1999): A seasonal cycle simulation over eastern Asia and its sensitivity to radiative transfer and surface processes, Journal of Geophysical Research, 104, 64036423. GIORGI, F. y R. FRANCISCO (2000): Evaluating uncertainties in the prediction of regional climate change. Geophysical Research Letters, 27, 1295-1298. GIORGI, F., X. BI y J.S. PAL (2004a): Means, trends and interannual variability in a regional climate change experiment over Europe. Part I: Present day climate (1961-1990). Climate Dynamics, 22, 733-756. GIORGI, F., X. BI y J.S. PAL (2004b): Means, trends and interannual variability in a regional climate change experiment over Europe. Part II: Future climate scenarios (2071-2100). Climate Dynamics, 23, 839858. HAGEMANN, S., M. BOTZET, L. DMENIL y B. MACHENHAUER (1999): Derivation of global GCM boundary conditions from 1 km land use satellite data, MPI Report, Max-Planck Institut fr Meteorologie 289.
154
REFERENCIAS
HARVEY, L.D.D., J. GREGORY, M. HOFFERT, A. JAIN, M. LAL, R. LEEMANS, S.C.T. RAPERB, T.M.L. WIGLEY y J.R. WOLDE (1997): An introduction to simple climate models used in the IPCC Second Assessment Report. IPCC Technical Paper II [J.T. Houghton, L.G. Meira Filho, D.J. Griggs y K. Maskell (eds.)]. Intergovernmental Panel on Climate Change, Geneva, Switzerland, 50 pp. H ECK , P., D. L THI , H. W ERNLI y C. S CHR (2001): Climate impacts of European-scale anthropogenic vegetation changes: A study with a regional climate model. Journal of Geophysical Research, 106(D8), 7817-7835. H ENNEMUTH, B., A. RUTGERSSON, K. BUMKE, M. CLEMENS, A. OMSTEDT, D. J ACOB y A.S. SMEDMAN (2003): Net precipitation over the Baltic Sea for one year using models and data-based methods. Tellus, 55A, 352-367. HOLTON, J.R. (1979): An introduction to dynamic meteorology. Academic Press, New York. HUDSON, D.A. y R.G. JONES (2002a): Simulations of present-day and future climate over southern Africa using HadAM3H, Hadley Centre Technical Note No. 38, Met Office, Exeter, UK. H UDSON , D.A. y R.G. JONES (2002b): Regional climate model simulations of present-day and future climates of southern Africa, Hadley Centre Technical Note No. 39, Met Office, Exeter, UK. IPCC: 2001, Climate Change. The scientific basis, Cambridge Univ. Press, 881 pp. HULME, M., K.R. BRIFFA, P.D. JONES y C.A. SENIOR (1993): Validation of CGM control simulations using indices of daily airflow types over the British Isles. Climate Dynamics, 9, 95-105. HULME, M., T.M.L. WIGLEY, E.M. BARROW, S.C.B. RAPER, A. CENTELLA, S. SMITH y A. CHIPANSHI (2000): Using a climate scenario generator in vulnerability and adaptation assessments: MAGICC and SCENGEN Version 2.4 Workbook. Climatic Research Unit, University of East Anglia, Norwich, 60 pp. HULME, M., G.J. JENKINS, X. LU, J.R. TURNPENNY, T.D. MITCHELL, R.G. JONES, J. LOWE, J.M. MURPHY, D. HASSELL, P. BOORMAN, R. MCDONALD, S. HILL (2002): Climate Change Scenarios for the United Kingdom: The UKCIP02 Scientific Report, Tyndall. Centre for Climate Change Research, School of Environmental Sciences, University of East Anglia, Norwich, UK. HUTH, R. (1997): Continental-Scale circulation in the UKHI GCM. Journal of Climate, 10, 1545-1561. H UTH, R. (2000): A circulation classification scheme applicable in GCM studies. Theoretical Applied Climatology, 67, 1-18. HUTH, R. (2006): The effect of various methodological options in the detection of leading modes of sealevel pressure variability. Tellus, 58 A, 121-130. IPCC (2001): Climate Change 2001: The Scientific Basis. Contribution of Working Group I to the Third Assessment Report of the Intergovernmental Panel on Climate Change (IPCC). J.T. Houghton, Y. Ding, D.J. Griggs, M. Noguer, P.J. van der Linden y D. Xiaosu (eds.). Cambridge University Press, UK, 944 pp. IPCC (2007): Climate Change 2007: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. S. Salomon, D. Qin, M. Manning, Z. Chen, M. Marquis, K.B. Averyt, M. Tignor y K.L. Miller (eds.). Cambridge University Press, U.K. y New York, NY, USA, 996 pp. JACOB, D. (2001): A note to the simulation of the annual and inter-annual variability of the water budget over the Baltic Sea drainage basin. Meteorology and Atmospheric Physics, 77, 61-73. JACOB, D., L. BRRING, O.B. CHRISTENSEN, J.H. CHRISTENSEN, M. CASTRO, M. DQU, F. GIORGI, S. HAGEMANN, M. HIRSCHI, R. JONES, E. KJELLSTRM, G. LENDERINK, B. ROCKEL, E. SNCHEZ, C. SCHR, S.I. SENEVIRATNE, S. SOMOT, A. VAN ULDEN y B. VAN DEN HURK (2006): An inter-comparison of regional climate models for Europe: model performance in present-day climate, Climatic Change, 10, 1007/s10584-006-9213-4. J ENKINSON, A.F. y B.P. C OLLISON (1977): An initial climatology of gales over the North Sea. Synoptic Climatology Branch Memorandum No. 62, UK Met Office, Bracknell, 18 pp. JONES, C.G., A. ULLERSTIG, U. WILLN y U. HANSSON (2004): The Rossby Centre regional atmospheric climate model (RCA). Part I: Model climatology and performance characteristics for present climate over Europe. Ambio, 33(4-5), 199-210.
155
ANEXOS Y REFERENCIAS
JONES, P.D., M. HULME y K.R. BRIFFA (1993): A comparison of Lamb circulation types with an objetive classification scheme. International Journal of Climatology, 13, 665-663. JONES, P.D., M. HULME (1996): Calculating regional climatic time series for temperature and precipitation: methods and illustrations. International Journal of Climatology, 16, 361-377. JONES , P.D., A. MOBERG (2003): A hemispheric and large-scale surface air temperature variations: an extensive revision and update to 2001. Journal of Climate, 16, 206-223. KALNAY, E. et al. (1996): The NCEP/NCAR 40-Year Reanalysis Project. Bulletin American Meteorological Society, 7, 437-471. K ILSBY, C.G. (1998): Predicting rainfall statistics in England and Wales using atmospheric circulation variables. International Journal of Climatology, 18, 523-539. LEHMANN, A., P. LORENZ y D. JACOB (2004): Exceptional Baltic Sea inflow events in 2002-2003. Geophysical Research Letters, 31, L21308, doi:10.1029/2004GL020830. LENDERINK, G., B. VAN DEN HURK, E. VAN MEIJGAARD, A. VAN ULDEN y H. CUIJPERS (2003): Simulation of presentday climate in RACMO2: first results and model developments, KNMI Technical Report 252, 24 pp. LENDERINK, G., A. VAN ULDEN, B. VAN DEN HURK y E. VAN MEIJGAARD (2007): Summertime inter-annual temperature variability in an ensemble of regional model simulations: analysis of the surface energy budget. Climatic Change, doi:10.1007/s10584-006-9229-9. M ANN, H.B. (1945): Nonparametric tests against trend. Econometrica, 13, 245259. MARTN, J.M. y S.E. PETISCO (2006): ndices de circulacin: una herramienta para el downscaling. XXIX Jornadas Cientficas de la Asociacin Meteorolgica Espaola. MEIER, H.E.M., R. DSCHER y T. FAXN (2003): A multiprocessor coupled ice-ocean model for the Baltic Sea. Application to the salt inflow. Journal of Geophysical Research, 108, C8:3273. MIGUEZ-MACHO, G., G.L. STENCHIKOV y A. ROBOCK (2004): Spectral nudging to eliminate the effects of domain position and geometry in regional climate simulations. Journal of Geophysical Research, 109, D13104, doi:10.1029/2003JD004495. MILIN, T. (1996): Variaciones seculares de las precipitaciones en Espaa. Universidad de Barcelona. 407 pgs. Tesis doctoral indita. MITCHELL, T.D. y M. HULME (1999): Predicting regional climate change: living with uncertainty. Progress in Physical Geography, 23 (1), 57-78. MITCHELL, T.D., M. HULME y M. NEW (2002): Climate data for political areas. Area 34:109-112. MMA (2006a): Plan Nacional de Adaptacin al Cambio Climtico (PNACC), [http://www.mma.es/portal/ secciones/cambio_climatico/areas_tematicas/impactos_cc/pdf/pna_v3.pdf], Oficina Espaola de Cambio Climtico, Ministerio de Medio Ambiente. MMA (2006b): Primer Programa de Trabajo del PNACC (2006), [http://www.mma.es/portal/secciones/ cambio_climatico/areas_tematicas/impactos_cc/pdf/1_prog_trabajo_v1.pdf], Oficina Espaola de Cambio Climtico, Ministerio de Medio Ambiente. M URRAY, R. y R.P.W. L EWIS (1966): Some aspects of the synoptic climatology of the British Isles as measured by simple indices. The Meteorological Magazine, 95, No. 1128, pp. 193-203, July 1966. NAKICENOVIC, N., J. ALCAMO, G. DAVIS, B. DE VRIES, J. FENHANN, S. GAFFIN, K. GREGORY, A. GRBLER, T.Y. JUNG, T. KRAM, E.L. LA ROVERE, L. MICHAELIS, S. MORI, T. MORITA, W. PEPPER, H. PITCHER, L. PRICE, K. RAIHI, A. ROEHRL, H.-H. ROGNER, A. SANKOVSKI, M. SCHLESINGER, P. SHUKLA, S. SMITH, R. SWART, S. VAN ROOIJEN, N. VICTOR y Z. DADI (2000): Emissions Scenarios. A Special Report of Working Group III of the Intergovernmental Panel on Climate Change. Cambridge University Press, Cambridge, Reino Unido y Nueva York, NY, Estados Unidos, 599 pp. NARULA, S.C. y J.F. WELLINGTON (1977): An algorithm for linear regression with minimum sum of absolute errors. Applied statistics 26, pp. 106-111. NEW, M., M. HULME y P.D. JONES (1999): Representing twentieth century space-time climate variability. Part 1: development of a 1961-90 mean monthly terrestrial climatology. Journal of Climate, 12, 829-856.
156
REFERENCIAS
NIEDZWIEDZ, T., Z. USTRNUL, E. CEBULAK y D. LIMANOWKA (1994): Long-term climate variations in Southern Poland due to atmospheric circulation variability. Climate Variations in Europe, Publications of the Academy of Finland 3/94, pp. 263-277. PAL, J.S., E.E. SMALL y E.A.B. ELTAHIR (2000): Simulation of regional-scale water and energy budgets: Representation of subgrid cloud and precipitation processes within RegCM. Journal of Geophysical Research, 105, 29579-29594. PASTOR, M.A., M.J. CASADO, F.J. DOBLAS-REYES (2008): Climate model validation in the Euro-Atlantic domain using Circulation Types. Nota Tcnica n. 4 del rea de Evaluacin y Modelizacin del Cambio Climtico. Instituto Nacional de Meteorologa. Ministerio de Medio Ambiente. Madrid. PETISCO, S.E., J.M. MARTN y D. GIL (2005): Mtodo de estima de precipitacin mediante downscaling. Nota tcnica n. 11 del Servicio de Variabilidad y Prediccin del Clima, INM, Madrid. PETISCO, S.E., J.M. MARTN (2006): Escenarios de temperatura y precipitacin para la Espaa peninsular y Baleares durante el perodo 2001-2100 basados en downscaling estadstico mediante mtodos de anlogos. XXIX Jornadas Cientficas de la Asociacin Meteorolgica Espaola. QUEREDA, J. y E. MONTN (1997): Hacia un Cambio Climtico? La Evolucin del Clima Mediterrneo desde el Siglo XIX. Castelln Fundacin Dvalos-Fletcher. 520 pp. RISNEN, J., U. HANSSO, A. ULLERSTIG, R. DSCHER, L.P. GRAHAM, C. JONES, H.E.M. MEIER, P. SAMUELSSON y U. WILLN (2004): European climate in the late twenty-first century: regional simulations with two driving global models and two forcing scenarios. Climate Dynamics, 22, 13-31. RAYNER, N.A., D.E. PARKER, E.B. HORTON, C.K. FOLLAND, L.V. ALEXANDER, D.P. ROWELL, E.C. KENT y A. KAPLAN (2003): Global analyses of SST, sea ice and night marine air temperature since the late nineteenth century. Journal of Geophysical Research, 108 (D14), 4407, doi:10.1029/2002JD002670. RIBALAYGUA, J., R. BORN y L. BALAIRN (1997): Mtodo Analgico de Simulacin de Escenarios Climticos a escala Comarcal. Informe Tcnico n. 4. Servicio de Variabilidad y Prediccin del Clima, INM, Madrid. RICHMAN, M.B. (1986): Rotation of principal components. Journal of Climate, 6, 293-335. RODRIGO, F.S., M.J. ESTEBAN-PARRA, D. POZO-VZQUEZ y Y. CASTRO-DEZ (1999): A 500-year precipitation record in southern Spain. International Journal of Climatology, 19, 1233-1253. SNCHEZ, E., C. GALLARDO, M.A. GAERTNER, A. ARRIBAS y A. CASTRO (2004): Future climate extreme events in the Mediterranean simulated by a regional climate model: a first approach. Global and Planetary Change, 44, 163-180. SNCHEZ GMEZ, E., L. TERRAY (2005): Large-scale atmospheric dynamics and local intense precipitation episodes. Geophysical Research Letters, 32, L24711, doi:10.1029/2005GL023990. SANTER, B.D. y T.M.L. WIGLEY (1990): Regional validations of means, variances and spatial patterns in General Circulation model control runs. Journal of Geophysical Research, 95, 829-850. SANTER, B.D., T.M.L. WIGLEY, M.E. SCHLESINGER y J.F.B. MITCHELL (1990): Developing climate scenarios from equilibrium GCM results. Max Planck Institute fr Meteorologie, Report No. 47, Hamburg, Germany. SCHR, C., D. LTHI, U. BEYERLE y E. HEISE (1999): The Soil-Precipitation Feedback: A process Study with a Regional Climate Model. Journal of Climate, 12, 7222-741. SCHR, C., P.L. VIDALE, D. LTHI, C. FREI, C. HBERLI, M.A. LINIGER y C. APPENZELLER (2004): The role of increasing temperature variability in European summer heatwaves. Nature, 427, 332-336. SCHELLNHUBER, H.J. y H. HELD (2002): How Fragile is the Earth System? In J.C. Briden y T.E. Downing (eds.), Managing the Earth. The Linacre Lextures 2001. Oxford University Press, 5. SCHLESINGER, M.E. y L.J. WILLIAMS (1997): COSMIC Country Specific Model for Intertemporal Climate, Computer Software, Electric Power Research Institute, Palo Alto. SEMMLER, T., D. JACOB, K.H. SCHLNZEN y R. PODZUN (2004): Influence of sea ice treatment in a regional climate model on boundary layer values in the Fram Strait region. Monthly Weather Review, 132, 985-999.
157
ANEXOS Y REFERENCIAS
SMITH, J.B. y M. HULME (1998): Climate Change Scenarios. Chapter 3 in: J. Feenstra, I. Burton, J.B. Smith y R.S.J. Tol (eds.) Handbook on methods of climate change impacts assessment and adaptation strategies. UNEP/IES, Version 2.0, October, Amsterdam. SNEYERS, R. (1966): Sur lanalyse statistique des series dobservations, WMO Publication No. 199. STANIFORTH, A. (1997): Regional modelling: a theoretical discussion. Meteorology and Atmospheric Physics, 63, 15-29. STEPPELER, J., G. DOMS, U. SCHTTLER, H.W. BITZER, A. GASSMANN, U. DAMRATH y G. GREGORIC (2003): Mesogamma scale forecasts using the nonhydrostatic model LM. Meteorology and Atmospheric Physics, 82, 75-96. THOMPSON, D.W.J., J.M. WALLACE (1998): The Artic Oscillation signature in the wintertime geopotential height and temperature fields. Geophysical Research Letters, 9, 1297-1300. UPPALA, S.M., P.W. KLLBERG, A.J. SIMMONS, U. ANDRAE, V. DA COSTA BECHTOLD, M. FIORINO, J.K. GIBSON, J. HASELER, A. HERNNDEZ, G.A. KELLY, X. LI, K. ONOGI, S. SAARINEN, N. SOKKA, R.P. ALLAN, E. ANDERSSON, K. ARPE, M.A. BALMASEDA, A.C.M. BELJAARS, L. VAN DE BERG, J. BIDLOT, N. BORMANN, S. CAIRES, F. CHEVALLIER, A. DETHOF, M. DRAGOSAVAC, M. FISHER, M. FUENTES, S. HAGEMANN, E. HLM, B.J. HOSKINS, L. ISAKSEN, P.A.E.M. JANSSEN, R. JENNE, A.P. MCNALLY, J.F. MAHFOUF, J.J. MORCRETTE, N.A. RAYNER, R.W. SAUNDERS, P. SIMON, A. STER, K.E. TRENBERTH, A. UNTCH, D. VASILJEVIC, P. VITERBO and J. WOOLLEN (2005): The ERA-40 re-analysis. Quarterly Journal of the Royal Meteorological Society, 131, 2961-3012. doi:10.1256/qj.04.176. UNFCCC (2005): Compendium on methods and tools to evaluate impacts of, and vulnerability and adaptation to, climate change. VAN DEN HURK, B., M. HIRSCHI, C. SCHR, G. LENDERINK, E. VAN MEIJGAARD, A. VAN ULDEN, B. ROCKEL, S. HAGEMANN, P. GRAHAN, E. KJELLSTRM y R. JONES (2005): Soil control on runoff response to climate change in regional climate model simulations. Journal of Climate, 18, 3536-3551. VIDALE, P.L., D. LTHI, C. FREI, S. SENEVIRATNE y C. SCHR (2003): Predictability and uncertainty in a regional climate model. Journal of Geophysical Research, 108 (D18), 4586, doi: 10.1029/2002JD002810. VIDALE, P.L., D. LTHI, R. WEGMANN y C. SCHR (2006): European climate variability in a heterogeneous multi-model ensemble. Special issue Climatic Change. STORCH, H., H. LANGENBERG y F. FESER (2000): A Spectral Nudging Technique for Dynamical Downscaling Purposes. Monthly Weather Review, 128, 3664-3673.
VON
WHEELER, D. y J. MARTN-VIDE (1992): Rainfall Characteristics of Mainland Europe most Southerly Stations. International Journal of Climatology, 12, 69-76. W IGLEY , T.M.L., S.C.B. RAPER , M. HULME y S. SMITH (2000): The MAGICC/SCENGEN Climate Scenario Generator: Version 2.4, Technical Manual, Climatic Research Unit, UEA, Norwich, UK, 48 pp. W IGLEY , T.M.L. (2003a): MAGICC/SCENGEN 4.1: Technical Manual, National Center for Atmospheric Research, Colorado, USA, October, 14 pp. WIGLEY, T.M.L. (2003b): MAGICC/SCENGEN 4.1: User Manual, National Center for Atmospheric Research, Colorado, USA, October, 23 pp. WILBY, R.L. y T.M.L. WIGLEY (1997): Downscaling General Circulation Model output: a review of methods and limitations. Progress in Physical Geography, 21, 530-548. WILBY, R.L., C.W. DAWSON y E.M. BARROW (2002): SDSM a decision support tool for the assessment of regional climate change impacts. Environmental Modelling Software, 17, 145-157.
158